State Embeddedness and Field Stability: The Tea Party and Occupy Wall Street's Interorganizational Networks

Abstract

  Despite  widespread  scholarly  attention  on  social  movement  media  coverage,  the  full  range  of  organizations  appearing  in  the  media  with  movements  remains  underexamined.  To analyze this organizational complexity, we draw upon  field  theory,  relating  it  to  concepts  from  social  network  analysis.  We  hypothesize  that  interactions  with  state­embedded  actors  increase  field  stability,  yet  this  effect  decreases  with  the  field's  level  of  abstraction.  We  contrast  a  pair  of  US  movements, the Tea Party and Occupy Wall Street, according to their interactions with state­embedded actors. Through the  New  York  Times's  API,  we collect and produce article co­appearance networks that approximate the population of Times's  indexed  organizations.  We  parse  fields  from  these  networks  using  community  detection  algorithms.  Our  analyses  test  stability using triadic closure propensities and average coreness. Our findings show that subgroups affiliated with the Tea  Party had greater stability than those of Occupy Wall Street.   

-

state­embedded  actors  stabilizes  fields.  Due  to  TP’s  formal  inclusion  into  US  national  politics  and  OWS’s  ultimate  repression,  we  suspect  that  fields  associated with TP will offer greater stability. Following new institutionalist studies, we  identify fields based upon dense network ties and use structural cohesion to characterize the stability within the fields [44].  We  analyze  field  stability alongside “movement­centric” subgroups generated from network neighborhoods. We conclude  our study by encouraging future social movement studies to engage in multi­institutional research and expand upon similar  network datasets.    2 Organizations, Fields, and Social Movements    Scholarship on organizations have benefited greatly due to the popularization of the organizational fields concept, defined as  the  “sets  of  organizations  that,  in  the  aggregate,  constitute  a  recognized  area  of  institutional  life”  [15:148­9].  Here,  we  understand institutions as sets of rules that develop through social interactions [18:106]. 

The  concepts  of fields and institutions have proven resonant among social movement scholars [47, 4, 14, 19, 20].  Synthesizing  two  disparate  approaches,  one  study  characterizes  a  field  as  having  regular  (inter)action  within  itself,  agreement among participants regarding the “rules of the game,” and potential vulnerability to field external forces [47:124].  An additional study encouraged analysts to consider the many non­state institutions with whom movements interact [ 4 ], a  point  strongly  emphasized  by  a  later study which conceptualized fields “as sets of actors characterized by high relational  density and actors’ reciprocal recognition” [14:265]. Recent work on “strategic action fields,” defined as “a meso­level social  order where actors...interact with knowledge of one another under a set of common understandings about the purposes of  the  field,  the relationships in the field..., and the field’s rules” [19:3], has operationalize field membership as “those groups  who  routinely  take  each  other  into  account  in  their  actions”  [20:167­8].  Though  differing  in  some  ways,  the  literature  converges  upon  characterizing  a  field  based  on  frequent  interactions  between  recognizable  actors  who  more­or­less  understand the field’s “rules.” 

In  addition  to  this  characterization,  scholars  have  describe  fields  and  organizational  networks  as  a  nested  phenomenon [4:82, 19, 20]. “Strategic action fields,” for instance, are generally couched within other strategic action fields,  like the nested layers of Russian matryoshka dolls [19, 20]. Though vocabulary differs between studies, the central premises  hold that smaller fields are embedded within larger fields and that smaller fields are more specialized, yielding more similarities  among  their  member  organizations  than  their  larger,  enveloping  fields.  This  process  of  field  aggregation  will  therefore  accompany heterogeneity in both its interaction patterns and understood rules. 

Though  movements  may  engage  within  any  of  a  vast  array of fields, analysts must consider structural variation  between fields. Recent scholarship has presented three basic field phases: emergence, crisis, and stability [19, 20]. Of these  three  phases,  we  are  most  interested  in  contrasting  emergent  and  stable fields. Actors in emergent fields possess limited  agreement  regarding  field  rules,  maintain  tenuous  alliances  with  actors  from  other  fields,  are unsure regarding challenger  outcomes,  and  are  vulnerability  to  state  action.  On  the  flipside,  stable  fields  follow  well­established,  known  rules  of  an  “ongoing  game”  in  which  incumbents,  challengers,  and  their  political  coalitions  jockey  for  improved  positions  through  iterative moves and countermoves. A field’s stability hypothetically arises from many ties to other fields, invulnerability to  turbulences in its resource dependencies, and its relationship to the state, an institution with the capability to reshape field  rules [19, 20]. 

Fields  comprised  of  organizations  with  frequent  ties  or  long­standing  relationships  to  actors  embedded  in state  affairs  likely  enjoy  greater  stability than those without. We reach this hypothesis from three main points. First, we should  consider that state­embedded actors may or may not even interact with challengers­­even if the challenger orients its action  to  the  state.  In  the  case  of  the  United  States,  such  interactions  typically  coincide  with  national  elections,  times  when  challengers compete to influence political party platforms [2:292]. Second, given the descriptions of field phases [19, 20], we  suggest that high­capacity nation states generally constitute stable fields, as they meet the characteristics of emergent fields  only following revolutions. Third, among professions, one study [15] points to the role of the state in driving organizational  isomorphism­­the  process  by  which  organizations  and  their  fields  become  similar  in  form.  Two  of  this  study’s  field­level  hypotheses  posit  that  a  field’s  resource dependence and transaction with state agents yield higher levels of isomorphism  across all organizations within the field. To the extent that state­embedded actors like the Republican and Democratic parties  include challengers, we expect that challenger inclusion corresponds with frequent ties and a high degree of isomorphism for  both  challengers  and  incumbents.  If  we characterize state fields as stable, fields that depend upon and frequently engage  with the state should therefore adopt stable forms more than other fields. Lastly, following fields’ nested characterizations, as  a field expands to include relatively fewer interactions with and dependence upon state­embedded actors, its stability should  diminish.    3 Case Overviews    For this paper, we contrast two cases, the Tea Party and Occupy Wall Street. We focus on these two movements due to their  large  size,  national  media  coverage,  and  historical  proximity.  Though other studies have compared these two movements,  such  as  their  approaches  to  populism  [54]  among  others,  ours  highlights  their  relationships  to  other  movement  and  non­movement organizations.    3.1 Tea Party    The Tea Party was initially hailed as a spontaneous grassroots movement that emerged in early 2009 to oppose a variety of  issues including the election of Barack Obama, proposed health care reform, and increased taxation in early 2009 [55]. As TP  grew  in  popularity  it expanded the initial focus on resisting increased government services, encompassing a wide array of  traditionally conservative causes including taxation, smaller government, along with wider economic and social issues such  as immigration, welfare, and affirmative action.  

The nature of TP protests is contentious, with their members making claims of being a wholly grass­roots movement  [40]  and  opponents  claiming  that  the  movement  is mostly ‘astroturf,’ a fake grassroots movement completely backed and  orchestrated  by  monied  interests  [55].  The  narrative  advanced  by  TP organizations and most affiliated groups is that the  movement  is  “100%  grassroots,  100%  of  the  time”  [50]  a  stance  that  allows  the  movement  to  frame  itself  as  a  scrappy  outsider unconnected to current institutional insiders.  

Those  arguing  that  the  Tea  Party  grew  out  of,  and  enjoyed  the  support  of,  existing  political  organizations  and  movements  point  to  the  significant resources from established political interests including the Republican Party and think  tanks like Americans For Prosperity and FreedomWorks, all of which had activists and resources invested in the movement  [55].  This  support  is credited as helping to elect members of the “Tea Party Caucus” in both the House and Senate in the  2010  elections.  Additionally,  TP  groups  often  are  financially  supported  by  industry  and  conservative  think  tanks  like  Americans for Prosperity and the Heartland Institute. But TP groups are often at odds with mainstream Republican policies  and  are  more  likely  to support libertarian ideals and causes when these causes are in conflict with a broader conservative  agenda. 

This  second  account  seems  more  supported  by  the  gradual  movement  of  the  Tea  Party  towards  alliances  with  institutionally  powerful  organizations  and  political  parties. Despite their claims of local grassroots control, TP was able to  quickly mobilize or recruit several members who successfully ran for public office at both the state and federal level in 2010  with an even greater number running and failing to win public office. This would seem to indicate that TP was able to make  linkages  with  institutionally  powerful  organizations  within  its  field,  and  not  just  constraint  itself  to  decentralized  local  chapters with few ties at the national level. 

Our data on TP’s media presence covers the period from February 27, 2009 which was the date of the first national  TP protests, to November 2, 2010 the date of the first general elections in which the movement played a significant role.     3.2 Occupy Wall Street    Occupy Wall Street represents the most recent incarnation of the long lived tradition of movements focused on social justice  and the alleviation of income and other inequalities. Initially formed in September of 2011 under the auspices of the Canadian  anti­consumerist group Adbusters, the OWS movement held its first major protest event on September 17, 2011 in New York  City’s Zuccotti Park. However, its roots trace inspiration from the Spanish economic protests of the prior May, which in turn  were inspired by the events of the pro­democracy Arab Spring [26]. 

During  this  period  of  time  OWS  spread  to  a  plethora  of  other  cities  and  gained  considerable  attention  of  the  national news media. The period witnessed the emergence of other social movement groups who addressed issues pertinent  to OWS’s interests, including hacktivist groups like Anonymous [ 8 ], as well as other social justice and traditional left­wing  groups. During the early days of the movement these diverse interests vied to set the agenda of the overall movement and  attempted to link the overall movement goal of inequality with a myriad of local and national issues [46]. Occupy Wall Street  was also quick to rebuff overtures from national political figures during this time, instead choosing to allow local occupation  groups to retain a high degree of autonomy [21]. 

 Our data encompass the first organized protest on September 17, 2011 until March 17, 2012. This end date marks the  day  six  months  after  the  start  of  the  movement  and  corresponds  with  Occupiers’  attempt  to  re­occupy  Zuccotti Park, in  which  the  group  faced  mass  arrests  and  violence  from  police.  This  attempted  re­occupation followed a period of general  movement decline after police vigilantly cleared Occupy encampments across the country.    4 Methods of Analysis    4.1 Data    To  take  census  of  the  fields present in the media, our study relies upon a network unique dataset collected from the New  York  Times  Article  Search API online [38].1 The NYT Article Search API enables researchers and developers the ability to  search all articles published by the New York Times between 1981 and the present. Beyond conventional search capabilities  to identify articles by keyword strings contained in the text, the NYT Article Search API [38] also enables “facet” searches.  Here,  a  facet  refers  to  a  type  of  tag  used  to  index  New  York  Times  articles.  The  API’s  facets  provide  information  on  a  descriptive  subject  ( des_facet ),  relevant  geographical  information  ( geo_facet ),  the  standardized  names  of  organizations  mentioned  in  the  article  ( org_facet ),  notable persons mentioned ( per_facet ), among many other characteristics relevant to  the article’s classification. We focus almost exclusively upon the organizations tagged in each article using R version 2.14.1  script [45] with the packages RCurl [31] and rjson [ 9 ]. 

Generally,  the  New  York Times indexers standardized facet names. To identify a concept’s standardized name and  relevant  facets  within  the Times one must use the TimesTags API [39].We searched the TimesTags API for the terms “tea  party” and “occupy” to find articles mentioning the TP and Occupy Wall Street. The API respectively returned “Tea Party  Movement (Des)” and “Occupy Wall Street (Org),” indicating that we should only search for “Tea Party Movement” under  the  descriptive  subject  facet  and  “Occupy  Wall  Street”  under  the  organizational  facet.  We  retrieved  all  articles  on  TP  between February 27, 2009 and November 2, 2010 and all articles on OWS between September 17, 2011 and March 17, 2012.  The New York Times identified TP in 207 articles and tagged OWS in 294, after removing duplicates. Despite early movement  coverage, the newspaper only began tagging TP on January 21, 2010. Taking TP’s late tag implementation into consideration,  it’s little surprise that OWS received more coverage due to its point of origin and focus relative to the Times. 

After  we  collected the articles tagging the Tea Party or Occupy Wall Street, we searched for a near population of  articles  with  organizational  tags  through  a  crawling  technique.  The  technique  followed  a  five  step  process.  First,  we  identified additional organizations from the organizational facets of the initial articles on TP and OWS. We did so separately,  creating two lists: one of organizations tagged in TP articles and one of organizations tagged in OWS articles. We refer to  these organizations as the sample’s “first wave.” Second, we search for all articles tagging these additional organizations. If  we found additional organizations from the TP articles, we restricted the results to articles running between February 27, 2009  and  November  2,  2010;  for  organizations  discovered  from  OWS  articles,  we only searched for additional articles between  September  17,  2011 and March 17, 2012. Third, we delete duplicate articles identified by the previous searches. Fourth, we  identified additional organizations uncovered from the organizational facets of the first wave. These organizations constitute  the sample’s second wave. Fifth, we repeated the second through fourth steps until the fourth step could no longer identify  any additional organizations. The process took eight waves for TP and seven waves for OWS. While this procedure cannot  capture every organization ever tagged in the New York Times during these periods, it does capture all organizations tagged  in  the  giant  component  of  the  New  York  Times’s  organizational  network. Of great value to social movement research, the  method generates a grounded, systematic list of organizations with potentially distant relations to the movements of interest.  1 We abide by the terms of use put forth by the Article Search API [38]. In doing so we must acknowledge that the New York  Times neither promotes nor endorses our research. 

While  the  technique  to  use “facets” through a newspaper’s API is new to social movements research, it offers a  technological update to established methods in the movements literature which used article indexing [e.g., 33:236­50, 33:267].  This  method  faces  limitations  which  include  practices  of  inclusiveness,  thoroughness,  and  consistency  exercised  by  newspaper indexers [17:68]. Rather than focusing upon protest coverage, the subject of criticism [17:68], our study addresses  general patterns of organizational affiliations through mutual media coverage. 

Following  the data collection stage, we processed the data into two social networks. This stage included refining  the  list  of  organizations  provided  by  the  New  York  Times  and  converting  organizational  co­mentions  within an article to  edges (i.e., “ties” or “relationships”) in a social network. We split the data into two social networks: one created during the  the Tea Party Movement’s time span and the other collected during Occupy Wall Street’s window. The Article Search API  [38] produced a total of 4,852 organizations from the TP crawl and 2,923 organizations from the OWS crawl. Together, 6,330  organizations  appeared  in  either  crawl,  leaving  1,445  organizations  appearing  in  both.  However,  these  counts  include  duplicate entries which the authors consolidated. Some “organizations” failed to meet our very general criteria for inclusion,  though. These criteria include one or more living member dedicated to the maintenance of the organization and its purposeful  activities, as well as a modest degree of independence or distinction in terms of personnel, purpose, or clientele from other  organizations. Further, an organization must have the potential to exert agency. This criteria includes both subsidiaries and  parent organizations. It removes products, projects, services, and websites, should their existence depend exclusively upon  representing another organization. We err on the side of overinclusion, as closely related organizations should exist within  the same field. We are then left with 4,504 organizations in the TP data and 2,825 in the OWS data, for a total of 5,812 unique  organizations. 

After determining organizational inclusion, we then created our networks, such that vertices represent organizations  and edges portray each article that includes facets referencing two or more organizations. Our data includes the possibility  for multiple edges between a pair of nodes, as two organizations are often co­tagged in more than one article. We do exclude  “loops,” or relationships a node has with itself. We stored our network data and conducted all network analyses in this paper  using igraph (version 0.6) for R [ 10 ].    4.2 Community Detection    Community  detection  identifies  groups  within  a  network  that  contain many ties among the group’s members and few ties  between  groups  [36].  Scholars  refer  to  this  property  of  dense  interaction  within  communities and sparse ties between as  “modularity”  [35].  Though  the techniques differ, similar motivations emphasizing dense ties within groups have motivated  other  social  movements  analyses  on  group  identification  [5,  13,  14]  and  the  study  of  fields  [44].  As  with  field  scholars,  community detection values dense interactions among actors within groups. While community detection does not assuredly  produce  fields  in  which  actors  understand  “the  rules  of  the  game,”  the  underlying  premise  behind  this  research  is  that  “tight­knit”  communities  include  members  united  by  common  attributes  or  themes  [12].  Considering  the  definition  of  institutions [18:106], mutual rule understandings should emerge from groups marked by frequent interactions. This approach  follows  research  that  explicitly  eschews  a  priori assumptions regarding institutional power, connections, and logics along  with  field  boundary  definitions  ascribed  by  actor  attributes  [4:82  and  14].  For  this  article,  we  refer  to  the  communities  identified as “fields.” 

Though  field  theorists  add  analytic  complexity  by  conceptualizing  their  subject  as  a  nested  phenomenon,  community  detection  researchers  have  developed  techniques  for  this  very  problem  [ 6 ].  “The  Louvain  method”  detects  communities by optimizing modularity in a hierarchical manner, looping through levels of aggregation. In the first pass, the  method  identifies  many  small,  dense  communities.  Following  this  pass,  the  method  then  treats  these  communities  as  aggregated  nodes  within  the  network  and  identifies  communities  among  these  communities, or “meta­communities” [6:5].  The method repeats, treating these meta­communities as aggregated nodes, and so on, reducing the number of communities  until  the  algorithm  reaches  optimal  modularity.  Each  pass  represents  a  distinct  level  of  communities  within  communities  differing from random association. The first level includes the most specific communities that feature the highest degree of  association and this degree of association wanes as the levels increase.    4.3 Subgroups    We  focus  upon  two subgroup types. Communities detected by the Louvain method serve as the first type. We apply this  method  to  both  TP  and  OWS  datasets,  allowing  the  method  to  interpret  multiple  edges  (i.e.,  organizations  co­faceted in  multiple articles). Due to the method’s focus on dense interaction patterns and nestedness, we liken Louvain communities to  fields and use the terms synonymously throughout our analyses. We analyze the communities at each relevant level of the  algorithm’s aggregation, whereby higher levels indicate greater abstraction and relatively less interaction within groups than  lower levels. 

“Neighborhoods” serve as the second subgroup type. Neighborhood subgroups contain all actors tied to one focal  actor along with all ties between them. Neighborhoods vary in “order” so as to include indirect ties to the focal actor. A first  order  neighborhood  includes  only  those  organizations  with  direct  ties  to  TP  or  OWS.  A  second  order  neighborhood  includes all organizations who belong to order one, as well as all other organizations with whom they share direct ties. Lastly,  a third order neighborhood includes all organizations with direct ties to those in a second order neighborhood. We analyze  the  first  through  third  order  neighborhoods.  Like  levels  within  Louvain  communities,  as  the  order  of  a  neighborhood  increases, so too does the abstraction from its points of origin. Because we use two movements as the focal actors in these  networks, we refer to these analyses as “movement­centric.” 

We operationalize subgroups this way for two reasons. First, we find value in comparing “movement­centric” and  “field­centric” analyses. Louvain communities and neighborhoods offer a different perspectives to analyze distance from a  movement’s core. Louvain communities express this distance in levels marked by a decrease in tie density between actors.  Neighborhoods express this distance in terms of path length from a focal actor. As the path length between actors increases,  similarities  should  diminish.  Second,  these  comparisons  also  offer  verification  against  idiosyncratic  properties  of  either  method.    4.4 Stability    Among the concepts in social network analysis used to assess stability, cohesion ranks top. In principle, cohesion enables a  subgroup  to  readily  resist  “disruptive  forces”  [25],  generate  social  homogeneity  [22],  and  enforce  norms  through  social  pressure [23:418­9]. While cohesion definitions vary [23:410], practically all analysts agree that cliques constitute a cohesive  subgroup. A clique refers to a subgroup of size three or greater in which every member has a direct tie to every other member  [51:254].  Triangles  constitute the smallest clique and their closure has received considerable attention in numerous classic  works [24; 27]. Analyzing closed triads, rather than dyads, offers at least three advantages relevant for this study [30:185].  First, the concept of a majority exists in groups of three or more, suppressing individual interests in favor of group interests.  Second, no single member in closed triangles wields the power to dissolve the group should his or her demands go unmet.  Third, groups of three address and resolve conflicts more readily than dyads due to third­party moderating effects. For these  reasons, we use the proportion of triangles, the global clustering coefficient [43:2], on our simplified networks to measure of  group stability. We apply this measure to each community. 

Though most network analysts agree that cliques constitute a cohesive subgroup, most also consider the definition  too  “stingy”  [23,  51]  as  it  excludes  near­cliques  and  most  large  groups.  The  concept  of  k­cores emerged as one popular  responses to clique­based limitations by identifying dense, cohesive seedbeds within a network. k ­cores measure cohesion  by  counting  the  minimum  number  of  ties,  k,   each  member  of  a  subgroup  has  to other members within the subgroup [49,  51:266­7]. Likewise, “coreness” refers to a nodal property represented by c,  where c captures if the node belongs to a c ­core,  but  not  a  ( c +1)­core  [ 1 ].  Coreness  represents  the  highest  k ­core  a  node belongs, where “highest” is accounted for by k.   Higher  values  of k and coreness indicate greater cohesion. We simplify our networks, allowing up to just one tie between  actors, and contrast TP and OWS’s subgroups according to their average coreness scores. High average values of coreness  indicate stability within the subgroup.    5 Analysis    5.1 Field Descriptions    describe  the  subgroups  associated  with  the  two  movements  at  each  level.  We  provide  counts  for  the  number  of  organizations associated with each cohesive subgroup, the proportion of observed ties (i.e., density) within each subgroup,  and  name  the  five  organizations  added  to  the  subgroup  who  received  the  most  news  coverage.  Due  to  the  number  of  organizations included in each field, we mention only a few widely covered ones in the table and name others in the text.    Table 1. Field Overview    Case 

Level 

Density  Examples  TP  TP  TP 

TP  OWS  OWS  OWS    1  2  3  4  1  2  3 

n  107  385  390  390  60  145  204  0.013  NSF, NIST, American Assoc of University Women, Kennedy School of 

Government  0.013    0.046  Occupy Wall Street, Police Dept, NYT, FBI, City Council  0.020  Lincoln Center for the Performing Arts, Fire Depart, Anonymous, Juilliard 

School, Academy of Motion Picture Arts and Sciences  0.014  Education Depart, Olympus Corp, Parks and Rec Dept, Race to the Top 

Fund, Board of Regents  specific  community,  Level  1,  includes  economic authorities, organizations related to parks and their occupation, churches,  news  agencies,  California  universities,  online  communities,  and  law  enforcement  agencies.  The  field  did  include  some  movement organizations along with apolitical and economic targets, support organizations and venues, news media groups,  and authorities. Though some national­level organizations do exist within this field, by and large the field operates within a  much smaller locus of conflict. As with TP, OWS’s field diversity increases dramatically between the first and second levels.  Its  second  level  includes  30  fields  identified  from  the  first  pass  and  many  of  them  quite  small,  precluding the level from  systematic  characterization.  In  addition to OWS’s Level 1 field, its Level 2 field included seven other Level 1 fields whose  sizes exceed three organizations. These groupings included a number of organizations formed around arts and entertainment.  The field also encompassed organizations involved in hacktivist conflict, associations for firefighters, those related to New  York  City  prisons  and  hospitals, among others. As with Level 1, this field includes many organizations local in scope and  excludes matters of national politics. The third level of OWS’s field folds in an additional 59 organizations involved in five  distinct  Level  2  fields.  These  organizations  address  subjects  of  education,  families  and  homelessness,  local  parks  and  circuses,  the  Olympus  Scandal,  and  rock  ‘n  roll.  While  the  inclusion  of  these  organizations  increases  the  abstraction  of  OWS’s field, in many ways they also extend the field’s earlier interests in local institutions, community services, along with  arts and entertainment. 

Although  these  fields  may  seem  quite  broad,  they  exclude  a  great  many  organizations.  Within  TP  dataset,  the  Louvain  method  also identified Level 4 fields associated with banking and finance; international affairs; retail, technology,  and  telecommunication;  basketball;  automobiles;  and  news  among  others.  Within  OWS,  other  Level  3  fields  included  organizations  in  banking  and  finance,  universities  and collegiate sports, high art, broadcasting corporations, international  affairs, automobiles, soccer, and, of course, national parties and politics.    5.2

Neighborhood Description    While the Tea Party and Occupy Wall Street have an elevated propensity to appear in articles alongside other organizations  within  their  same  fields,  they  often  co­appear  in  articles  with  other  organizations.  Figure  1  illustrates  their  first  order  neighbors  in  the  simplified  co­facet  network.  For  visual  clarity,  we  remove  TP  and  OWS  as  they  have  direct  ties  to  all  organizations in their respective plots. 

These  movement­centric  plots  illustrate  pronounced  differences  between  the  two  movements.  First,  of  the  33  organizations  that  appear  in  articles  alongside  TP,  just  four  organizations  have  ties  only  to  TP.  The  majority  of  TP’s  neighbors co­appear in articles with other organizations tied to TP. In contrast, of the 68 organizations mentioned in articles  with  Occupy Wall Street, 26 of these organizations never co­appear with any of the others,2 suggesting that organizations  within TP’s neighborhood overlap in interests more frequently than those in OWS’s neighborhood.  2 An analysis of these numbers with a chi­squared test indicates a significant difference (X  2 =6.060, p<0.05).    relatively more ties to social media outlets.    5.4 Comparing Subgroup Stability    For the following analyses, we test the hypothesis that due to its state­embedded affiliations, TP’s fields and neighborhoods  should demonstrate greater stability than those of OWS. Further, these differences should be most pronounced among the  smaller,  more  specific  fields  (Level  1)  than  the  larger,  more  abstract  fields  (Level 3). Likewise, lower order neighborhoods  should  have  greater  differences  in  stability  than  higher  order  neighborhoods.  As  subgroups  sizes  grow,  the  stabilizing  influence  of  state­embedded  actors  on  interorganizational  ties  should  taper  as  the  “rules  of  the  game”  become  less  understood.    Triadic  Clustering.  For  each  subgroup,  Table  2  reports  the  number  of  closed  and  open  triplets,  the  global  clustering  coefficient,  and  the  effect  size  expressed  as  an odds ratio. Supporting our hypotheses, the global clustering coefficient is  significantly  greater  for  TP relative to OWS within the Level 1 fields as well as the first and second order neighborhoods.  The odds of triple closing are approximately 1.5 times more likely for TP than OWS within their Level 1 communities and 3.8  times as likely within their first order neighborhoods. Also supporting our hypotheses, the effect size decreases as the level  of  abstraction  increases.  Exempting  TP’s  third  order  neighborhood,  its  global  clustering  decreases  with  community  and  neighborhood growth. Curiously, this general drop in TP’s global clustering accompanies an increase for that of OWS such  that  its  Level  3 field and third order neighborhood are 1.2 and 1.6 times likelier than TP to form a closed triplet.3 Note that  while these two figures are significant, the effect size magnitudes are smaller than those within Level 1 communities and first  order neighborhoods. Given that the effect size diminishes in the proposed direction and that contradictory effects exist only  within the most abstracted subgroups, we maintain that the property of triadic clustering supports both hypotheses.    Table 2. Triadic Closure within Fields and Neighborhoods        Fields      Neighborhoods      Level/Order  Case  Closed  Open  Cluster Coef  Closed  Open  Cluster Coef  1  TP  702  3005  0.189  594  1005  0.371    OWS  90  580  0.134  360  2332  0.134    X 2  11.232  ***    326.592  ***      OR  1.505      3.827      2  TP  3171  19379  0.141  25572  123625  0.171    OWS  231  1336  0.147  7128  38723  0.155    X 2  0.504      63.726  ***      OR  0.946      1.124      3  TP  3180  19605  0.140  77571  358682  0.178    OWS  363  1944  0.157  36954  106434  0.258    X 2  5.317  *    4345.930  ***      OR  0.869      0.623        Coreness.  We use two sets tests for coreness stability. The first is a difference of means test on the organizations’ coreness  scores,  summarized  by  Cohen’s   d  and   σ  figures  to  compare effect sizes.4 (See Table 3.) On average, organizations in TP’s  3 We calculate these inversions through exponentiating the absolute value of the log of the reported odds ratios.  4 The degrees of freedom follow Welch’s approximation to avoid equal variance assumptions between cases. The results are  substantively the same using pooled variance estimates.    fields  belonged  to  3­cores  while  organizations  in  OWS  belonged  to  2­cores.  In  terms  of  their  neighborhoods,  the  organizations  associated  with  TP  typically  belonged  in  cores  ranging  from  four  to  six  and  OWS’s  neighbors  usually  belonged to cores up to three or four k .  For all community levels and neighborhoods analyzed, the mean coreness for OWS’s  subnetworks  is  significantly  less  than  those  of  TP.  Referring  to  the  standardized  effects,  Cohen’s   d  and   σ,   these values  weaken as the fields and neighborhoods grow. These findings strongly support each hypothesis.    Table 3.  k  ­Core Means, Medians within Fields (by Level) and Neighborhoods (by Order)    Level  1  2  3  Order    1  2  3   

TP    Mean  2.804  2.870  2.859 

  both the diverse array of organizations with whom movements regularly interact, as well as those organizations completely  unaffiliated with and socially distant from movements. Following this contribution, the study furthers implore future research  to  examine  multi­institutional  politics  [i.e.,  4].  Further,  this  work  also  encourages  researchers  to  assess  which  fields  of  institutional life  lack movement organizations and seek structural explanations discerning their absence. 

Second, the study approaches the media in a manner slightly different from prior social movements research. Rather  than  an  entity  which  covers  protests  or  otherwise  brings  attention  to  movement  claims,  here  the  media  is an outlet that  conveys  relationships  between  organizations  and  structures  fields.  Though  media  coverage  entails  notorious  selectivity  effects  [42],  typically  the  coverage  accurately  portrays  the  hard  facts  [17].  Selectivity  effects  should  bear  limited  consequences here, as this study analyzes relationship patterns rather than their frequency or representative organizational  coverage. Selectivity effects aside, we have little reason to believe that national media sources systematically mischaracterize  general  relationship  patterns  between  two  recognized  organizations  in  the  same  field.  That  stated,  caution  should  be  exercised  in  generalizing  these  findings  to  universes  beyond  national  news outlets. Afterall, our interaction measurement  only  considers  whether  or  not  the  Times  associates two organizations with the same article. While this operationalization  offers  an efficient shorthand method to circumscribe fields, more refined interaction codes; such as those indicating allies,  adversaries, or neutral; would provide greater generalizability. 

Lastly, this study offers an innovative approach to data collection. As stated earlier, the method offers researchers a  natural  update to old techniques of analyzing article synopses. These benefits include offering researchers a customizable  scope,  resource  efficiency,  and  accessibility.  While  this  study  analyzes  only  organizational  networks  during  short  time  spans, other elements from the data source remain to be explored by movement and organizational scholars. These include  incorporating  individuals,  locations,  and subjects into the analyses. Dynamic organizational network analyses from similar  data sources also prove a subject area ripe for movement research [e.g., 53]. Further, this study presented just one analytic  example which could be conducted from such a data source. While it focused upon two movements, later studies may wish  to  examine  the  fields  which  circumscribe  more  movements  and  non­movements.  Lastly,  future  research  should  consider  integrating similar data sources with additional online references. 

  7

References  12. Danon, Leon, Albert Diaz­Guilera, Jordi Duch, and Alex Arenas. 2005. “Comparing Community Structure 

Identification.”  Journal of Statistical Mechanics: Theory and Experiment 9:P09008  13. Diani, Mario and Ivano Bison. 2004. “Organizations, Coalitions, and Movements.” T heory and Society 33:281­309.  14. Diani, Mario and Katia Pilati. 2011. “Interests, Identities, and Relations: Drawing Boundaries in Civic Organizational 

Fields.”  Mobilization 16:3:265­82.  15. DiMaggio, Paul J. and Walter W. Powell. 1983. “The Iron Cage Revisited: Institutional Isomorphism and Collective 

Rationality in Organizational Fields.” A merican Sociological Review  48:2:147­160.  16. Earl, Jennifer and Katrina Kimport. 2008. “The Targets of Online Protest: State and private targets of four online  protest tactics.”  Information, Communication and Society 11:4:449–72.  17. Earl, Jennifer, Andrew Martin, John D. McCarthy, and Sarah A. Soule. 2004. “The Use of Newspaper Data in the 

Study of Collective Action.” A nnual Review of Sociology 30:65­80.  18. Fligstein, Neil. 2001. “Social Skill and the Theory of Fields.” S ociological Theory 19:2:105–25.  19. Fligstein, Neil and Doug McAdam. 2011. “Toward a General Theory of Strategic Action Fields.”  Sociological 

Theory 29:1:1­26.  20. Fligstein, Neil and Doug McAdam. 2012.  A Theory of Fields: Toward a Theory of Strategic Action Fields.  New 

York: Oxford University Press.  21. Fogarty, Jim. “Occupy Wall Street Protests Reject US Institutions” E poch Times, October 11, 2011. Retrieved  January 19, 2013  http://www.theepochtimes.com/n2/opinion/occupy­wall­street­protests­reject­us­institutions­62696.html  22. Friedkin, Noah E. 1984. “Structural Cohesion and Equivalence Explanations of Social Homogeneity.” S ociological 

Methods and Research 12:3:235­61.  23. Friedkin, Noah E. 2004. “Social Cohesion.”  Annual Review of Sociology 30:409­25.  24. Granovetter, Mark S. 1973. "The strength of weak ties." A merican Journal of Sociology 78:6:1360­1380.  25. Gross, Neal and William E. Martin. 1952. “On group cohesiveness.”  American Journal of Sociology  57:546–54.  26. Hardt, Michael and Antonio Negri. 2011. “The Fight for ‘Real Democracy’ at the Heart of Occupy Wall Street.” 

Foreign Affairs October 11, 2011.  27. Holland, Paul W and Samuel Leinhardt. 1972. “Some Evidence on the Transitivity of Positive Interpersonal 

Sentiment.”  American Journal of Sociology 77:6:1205­1209.  28. Johnson, Erik W., Jon Agnone, and John D. McCarthy. 2010. “Movement Organizations, Synergistic Tactics and 

Environmental Public Policy.” S ocial Forces 88:5:2267­92.  29. King, Brayden G and Nicholas A. Pearce. 2010. “The Contentiousness of Markets: Politics, Social Movements, and 

Institutional Change in Markets.”  Annual Review of Sociology 36:249­67.  30. Krackhardt, David. 1999. “The Ties that Torture: Simmelian Tie Analysis in Organizations.” R esearch in the 

Sociology of Organizations 16:183­210.  31. Lang, Duncan Temple. 2012. “RCurl: General network (HTTP/FTP/...) client interface for R.” R package version  1.91­1.  32. Lind, Benjamin and Judith Stepan­Norris. 2011. “The Relationality of Movements: Movement and  Countermovement Resources, Infrastructure, and Leadership in the Los Angeles Tenants’ Rights Mobilization,  1976–1979.”  American Journal of Sociology 116:5:1564­609.  33. McAdam, Doug. 1982.  Political Process and the Development of Black Insurgency 1930­1970.  Chicago: 

University of Chicago Press.  34. Minkoff, Debra and John D McCarthy. 2005. “Reinvigorating the Study of Organizational Processes in Social 

Movements.”  Mobilization 10:2:289­308.  35. Newman, Mark EJ. 2006. “Modularity and community structure in networks.”  Proceedings of the National Academy  of Sciences, USA 103:23:8577­8696.  36. Newman, Mark EJ and Michelle Girvan. 2004. “Finding and Evaluating Community Structure in Networks.”  Physical 

Review E 69:026113.  37. New York Times. 1948­1970. T he New York Times Index.    38. New York Times. 2012a. “Article Search API.” h ttp://developer.nytimes.com/docs/read/article_search_api . Last  accessed December 7, 2012. 

References

0.045  Democratic Party, Republican Party, Tea Party, City Council, Park51  0 .013  Senate, House of Representatives, Supreme Court, EPA, Harvard 

1. Alvarez­Hamelin , José Ignacio, Luca Dall'Asta, Alain Barrat, and Alessandro Vespignani.  2006 .  “k­Core  Decomposition: A Tool for the Visualization of Large Scale Networks.” A dvances  in Neural Information Processing  Systems  18 : 41 , arXiv:cs/0504107. 

2. Amenta, Edwin, Neal Caren, Elizabeth Chiarello, and Yang Su.  2010 . “The Political Consequences of Social  Movements.”  Annual Review of Sociology  36 : 287 ­ 307 . 

3. Amenta, Edwin, Neal Caren, Sheera Joy Olasky, and  James  E. Stobaugh.  2009 . “All the Movements Fit to Print:  Who, What, When, Where, and Why SMO Families Appeared in the N ew York Times in the Twentieth Century.”  American Sociological Review  74 : 636 ­ 56 . 

4. Armstrong,  Elizabeth A and  Mary Bernstein.  2008 . “Culture, Power, and Institutions: A  Multi­Institutional  Politics  Approach to Social Movements.”  Sociological Theory  26 :1: 74 ­ 99 . 

5. Bearman, Peter S. and  Kevin  D. Everett.  1993 . “The structure of social protest,  1961 - 1983 .”  Social Networks  15 :2: 171 - 200 . 

6. Blondel, Vincent D, Jean­Loup Guillaume, Renaud Lambiotte, and Etienne Lefebvre.  2008 .  “Fast unfolding of  communities in large networks .” J ournal of Statistical Mechanics: Theory and Experiment  10 : P10008 . 

7. Bourdeiu, Pierre.  1998 .  On Television.  Translated by Priscilla Parkhurst Ferguson. New York: New Press. 

8. CBS New York.  2011 . “Groups Plan to 'Occupy Wall Street,' But Their Goal Is Not Yet Set.”  September 6,  2011 .  Retrieved January  19 ,  2013   (http://newyork.cbslocal.com/ 2011 /09/06/groups­plan ­to­occupy­wall­street­but­their­goal­is­ not­ yet­set/)  

9. Couture­Beil , Alex.  2012 . “rjson: JSON for R.” R package  version 0.2 .9. 

10. Csardi , Gabor and Tamas Nepusz.  2006 .  “The igraph software package for complex network research .”  InterJournal,  Complex Systems  1695 .  http://igraph.sf.net 

11. Curtis  Jr, Russell L and  Louis   A  Zurcher Jr.  1973 . “Stable Resources of Protest  Movements: The  Multi­Organizational Field .” S ocial Forces  52 :1: 53 ­ 61 .