楊馥澤

摘要：本文采用元胞自動機理論進行政務微博危機信息擴散的研究，設(shè)計了政務微博元胞自動機模型。通過定義用戶傾向度、用戶受領(lǐng)域影響程度以及用戶轉(zhuǎn)發(fā)意愿，設(shè)計了符合政務微博的元胞演化規(guī)則。并進一步利用MATLAB進行仿真，通過對比真實數(shù)據(jù)，證實了模型的有效性，討論不同消息質(zhì)量對危機擴散的影響。

關(guān)鍵詞：政務微博；危機信息；元胞自動機；用戶轉(zhuǎn)發(fā)意愿；用戶傾向度；用戶受鄰域影響程度

微博是一種基于用戶關(guān)系的信息分享平臺，用戶可以不受時間、空間的限制對信息進行評論和轉(zhuǎn)發(fā)，一條微博信息可能在短時間內(nèi)被大量轉(zhuǎn)發(fā)，變成社會熱門輿論問題，例如“郭美美事件”，汶川地震等，因此研究信息（輿論）在微博網(wǎng)絡(luò)上的傳播及其傳播的性質(zhì)、規(guī)律等成為公共管理的熱門研究問題。

目前，對于公共危機事件的信息擴散和政務微博傳播效果的研究都十分豐富，一方面，對危機事件微博擴散的研究很多，孫瑋[1]等對突發(fā)自然災害事件中網(wǎng)絡(luò)輿論傳導特征及其合理表達進行了探討；并總結(jié)了網(wǎng)絡(luò)輿論表達與引導途徑，姜鑫[2]等通過網(wǎng)絡(luò)中介中心性分析；運用小世界理論研究了微博社區(qū)內(nèi)的信息傳播理論；錢穎[3]等基于SIR 模型對微博輿情傳播進行了實證研究；分析了不同情景下的微博輿情傳播規(guī)律；蘭月新[4]、于春[5]、方薇[6]在突發(fā)事件微博輿情影響趨勢的基礎(chǔ)上，建立了微分方程模型來研究微博輿情擴散規(guī)律；另一方面，對政務微博傳播效果的研究也有了一定的成果，史麗莉[7]從微博信息內(nèi)容和表現(xiàn)形式兩方面研究地方政務微博的傳播效果，胥柳曼[8]在以實證研究方法論證了影響政務微博傳播效果的四大要素，并論述了政務微博在政務一公眾圈、政務一媒體圏、政務一政務圈中的傳播效果。程曼麗[9]認為評價政府信息傳播的步驟分為傳播前和傳播前。梁芷銘[10]將政務微博的傳播效果歸結(jié)在受眾與主體的互動上。但是，將公共危機事件與政務微博結(jié)合起來的研究成果卻不多，并且大部分都是從新聞學的角度進行理論分析[11，12，13]，缺乏定量分析，因此本文在元胞自動機的基礎(chǔ)上建立危機信息擴散模型，研究危機信息的擴散路徑。

1. 建立基于元胞自動機的政務微博中危機信息擴散模型構(gòu)建

為了便于對危機信息擴散的研究，本文做以下假設(shè)：1）用戶在接觸危機信息后，興趣度不再受其他新信息的影響；2）用戶轉(zhuǎn)發(fā)一條危機信息后，不再重復轉(zhuǎn)發(fā)。

1.1基本模型

根據(jù)以上假設(shè)及其基本建模方法，建立基本的擴散模型如下：1）每個元胞代表一個微博用戶；2）假設(shè)二維Moore型元胞空間（即八鄰域元胞空間）代表整個接觸危機信息的潛在用戶群體，如圖1（b）所示；3）元胞的狀態(tài)（S）有四種狀態(tài)，S∈{1，2，3，4}，S=1表示原創(chuàng)微博用戶，也就是發(fā)布危機信息的政務微博，S=2表示潛在用戶，用戶在未接觸到危機信息之前，都是潛在用戶，S=3表示不轉(zhuǎn)發(fā)用戶，也就是表示用戶在接觸到危機信息之后不轉(zhuǎn)發(fā)此條微博，S=4表示轉(zhuǎn)發(fā)用戶，也就是用戶在接觸危機信息之后，認為有必要轉(zhuǎn)發(fā)此信息。

1.2元胞狀態(tài)轉(zhuǎn)變規(guī)則：

假設(shè)用戶狀態(tài)的改變?nèi)Q于用戶的轉(zhuǎn)發(fā)意愿，即在以后的生活中，用戶是否繼續(xù)（嘗試）轉(zhuǎn)發(fā)微博的接受程度[14]。當用戶的轉(zhuǎn)發(fā)意愿大于某個值時，用戶會轉(zhuǎn)發(fā)信息；當轉(zhuǎn)發(fā)意愿小于某個值時，用戶不會轉(zhuǎn)發(fā)信息。本文將影響用戶轉(zhuǎn)發(fā)意愿的因素分為內(nèi)部因素和外部因素，內(nèi)部因素包括危機事件本身的性質(zhì)和危機信息的質(zhì)量，外部因素是指微博用戶受鄰居用戶的影響程度。為表述方便，引入以下定義：

1.2.1 用戶傾向度（I）

當微博用戶接觸到有關(guān)危機事件的信息時，用戶轉(zhuǎn)發(fā)信息的傾向度會隨著時間變化。戴雙星，陳冠雄[15]等人認為，人們往往對初次接觸到的一個新事物往往有很大的興趣，但是短時間內(nèi)的頻繁嘗試會讓興趣慢慢降低，并且，由于個人興趣的變化過程與記憶的遺忘過程相似，都是人的思維變化過程，衰減的規(guī)律遵循艾賓斯遺忘曲線[16]，因而，本文中的用戶轉(zhuǎn)發(fā)危機信息的傾向度時間衰減機制參考了艾賓浩斯遺忘曲線，如圖2所示：

圖2艾賓浩斯遺忘曲線

從圖中可以看出，艾賓浩斯曲線類似于冪函數(shù)，那么興趣遺忘函數(shù)也是冪函數(shù)的形式?？紤]到公共危機事件本身對用戶的傾向度的影響，用戶傾向度表示為

Ii（t）=Ii（0）+t-β（2）

其中，Ii（）表示用戶i在最初接觸到信息時的轉(zhuǎn)發(fā)信息的傾向度，Ii（0）∈[0，1]其值是由用戶自身的社會背景、受教育程度等因素決定的。β表示公共危機事件的影響程度，根據(jù)危機事件的性質(zhì)、嚴重程度、可控性和影響范圍等因素，公共危機事件一般可分為四級：Ⅰ級（特別重大）、Ⅱ級（重大）、Ⅲ級（較大）和Ⅳ級（一般）。這里假設(shè)β=0.1表示Ⅰ級危機事件，β=0.3表示Ⅱ級危機事件，β=0.5表示Ⅲ級危機事件，β=0.7表示Ⅳ級危機事件，因此β∈{0.1，0.3，0.5，0.7}，β越小，用戶轉(zhuǎn)發(fā)此條危機信息的傾向度越大。

由于Ii（0）的取值范圍是0到1，t-β的取值范圍是0到1，為了以后方便研究和討論，需要對指標值進行標準化，即把數(shù)值大小均映射到[0，1]區(qū)間，這里使用max-min標準化法，即

Ii（t）=Ii（t）-Ii（t）minIi（t）max-Ii（t）min=（Ii（0）+t-β）/2（3）

然而，在公共危機時間發(fā)生以后，公眾的心理特征突出表現(xiàn)為強烈的信息需求欲，政務微博發(fā)布的消息的內(nèi)容越有價值，語言措辭越合理，關(guān)注它的用戶轉(zhuǎn)發(fā)此條微博的傾向度就越大，消息的質(zhì)量也是影響用戶傾向度的重要因素。因此，用戶傾向度其表達式修正為：

Ii（t）=α×（Ii（0）+t-β）/2（4）

其中，α表示消息的質(zhì)量，α∈[0，1]，消息的內(nèi)容越有價值，表達越清晰，語言措辭越合理，α越大，也就是消息的質(zhì)量越高，相反，則α越小。

1.2.2 用戶受鄰居影響程度（E）

每個微博用戶都是處在一個人際網(wǎng)絡(luò)中，相互關(guān)注的用戶一定有相似的興趣和愛好，在公共危機事件發(fā)生后，用戶很大程度上是從自己關(guān)注的用戶轉(zhuǎn)發(fā)后接觸到此危機信息的，當一名用戶所關(guān)注的用戶中轉(zhuǎn)發(fā)一條危機信息的人數(shù)越多，那么該用戶轉(zhuǎn)發(fā)此條信息的可能性也就越大。因此，用Ei（t）表示在t時刻用戶i受鄰域用戶的影響程度，其表達式如下：

Ei（t）=Ni（t）N（5）

其中，Ni（t）表示t時刻用戶i領(lǐng)域用戶轉(zhuǎn)發(fā)信息的人數(shù)，N表示用戶i領(lǐng)域的用戶總數(shù)。

1.2.3 用戶轉(zhuǎn)發(fā)意愿（Y）

假設(shè)用戶轉(zhuǎn)發(fā)意愿受用戶傾向度和用戶受鄰居影響程度兩個因素影響，每個因素對轉(zhuǎn)發(fā)意愿的影響權(quán)重相同，用戶轉(zhuǎn)發(fā)意愿可以定義為：

Yi（t）=Ii（t）+Ei（t）2=α×（Ii（0）+tβ）/2+Ni（t）N2

（6）

其中，α表示消息的質(zhì)量，β表示公共危機事件的性質(zhì)，Ni（t）表示t時刻用戶i領(lǐng)域用戶轉(zhuǎn)發(fā)信息的人數(shù)，N表示用戶i領(lǐng)域的用戶總數(shù)。這里假設(shè)用戶轉(zhuǎn)發(fā)意愿的臨界值為0.5。也就是，當Yi≥0.5時，用戶轉(zhuǎn)發(fā)意愿大于臨界值0.5，狀態(tài)為轉(zhuǎn)發(fā)用戶，當Yi<0.5時，用戶轉(zhuǎn)發(fā)意愿小于臨界值0.5，狀態(tài)為不轉(zhuǎn)發(fā)用戶。

根據(jù)以上定義，元胞狀態(tài)改變規(guī)則描述為：

第一步，在初始狀態(tài)中，系統(tǒng)中只存在兩個狀態(tài)的元胞，即S=1的原創(chuàng)用戶（政務微博）和S=2的潛在用戶，根據(jù)之前的假設(shè)，用戶在接觸到危機信息之前，默認都是潛在用戶。

第二步，在接觸到原創(chuàng)用戶發(fā)布的危機信息之后，判斷S=2潛在用戶的傾向度Y，如果Y≥0.5，該用戶變成轉(zhuǎn)發(fā)用戶S=4，并推出系統(tǒng)，如Y≥0.5，該用戶變成不轉(zhuǎn)發(fā)用戶S=3。

第三步，當S=3不轉(zhuǎn)發(fā)用戶再次接觸到S=4的轉(zhuǎn)發(fā)用戶轉(zhuǎn)發(fā)的危機信息時，判斷此用戶的轉(zhuǎn)發(fā)意愿Y，如果Y≥0.5，用戶轉(zhuǎn)變?yōu)镾=4的轉(zhuǎn)發(fā)用戶，否則維持S=3的不轉(zhuǎn)發(fā)狀態(tài)。

2.模型仿真

為了驗證模型的合理性及有效性， 我們選擇曾經(jīng)在網(wǎng)絡(luò)上討論較為激烈的烏魯木齊的恐怖襲擊中的一起爆炸案利用matlab進行仿真實驗。（如圖2）

圖2公安部打四黑除四害微博

本次仿真中，設(shè)元胞空間為45*45的二維Moore型元胞空間，Ii（0）取0到1的隨機值，根據(jù)所發(fā)布的內(nèi)容和事件本身的性質(zhì)來，將α取值為0.4，β取值為0.7（i=1，2，…，2500）為消除隨機變量對實驗結(jié)果的影響，利用matlab經(jīng)過15次擬合得到平均值。轉(zhuǎn)發(fā)危機信息的微博用戶數(shù)量變化圖如圖4所示：

圖4轉(zhuǎn)發(fā)危機信息的微博用戶數(shù)量變化對比圖

從圖4可以看出，在微博發(fā)布的第一時間，轉(zhuǎn)發(fā)用戶數(shù)量呈幾何增長，之后隨著時間的增長，用戶數(shù)量逐漸趨于穩(wěn)定。該仿真結(jié)果與圖3的統(tǒng)計數(shù)據(jù)較為吻合，說明所建立模型是有效的。

3.不同α的取值對危機信息擴散的影響分析

為分析不同的消息質(zhì)量對危機信息擴散的影響，假設(shè)元胞空間為45*45的二維Moore型元胞空間，β=0.3（i=1，2，…，2500）分別取α=0.2，α=0.4，α=0.6，α=0.8。

圖5不同α的取值下用戶轉(zhuǎn)發(fā)情況比較

如圖5所示，當α=0.2時，消息質(zhì)量過小，用戶的轉(zhuǎn)發(fā)意愿小，因而轉(zhuǎn)發(fā)信息的用戶少，不利于信息擴散，當α在大于0.2的某個值時，在信息發(fā)布初期時，轉(zhuǎn)發(fā)人數(shù)劇增，并隨著時間的推移，逐漸趨于穩(wěn)定。同時α的水平越高，轉(zhuǎn)發(fā)人數(shù)增速也越快，轉(zhuǎn)發(fā)人數(shù)越多。根據(jù)以上分析可知，在社會安全事件發(fā)生以后，政務微博發(fā)布質(zhì)量高的相關(guān)信息會被更多人轉(zhuǎn)發(fā)，更有利于信息擴散，減少謠言傳播的可能性。

4.結(jié)語

本文在元胞自動機理論基礎(chǔ)上，建立了危機信息擴散的模型，模擬了危機信息的擴散路徑，并以烏魯木齊一起爆炸事件為例，采用MATLAB 仿真，驗證了模型的有效性，并分析了社會安全事件中，不同消息的質(zhì)量對危機信息擴散的影響，發(fā)現(xiàn)消息質(zhì)量過小時，不利于危機信息擴散影，消息質(zhì)量越高，信息擴散越有效。本文只研究了公共危機事件中社會安全方面的事件，其他危機事件是否也有相同的特征和性質(zhì)還需進一步研究。（作者單位：首都師范大學管理學院）

參考文獻：

[1]孫瑋，張小林.突發(fā)自然災害事件中網(wǎng)絡(luò)輿論的表達與引導—以東日本地震海嘯事件為例[J].學術(shù)探索，2011，（6）：115-118

[2]姜鑫，田志偉.微博社區(qū)內(nèi)信息傳播的“小世界”現(xiàn)象及實證研究[J].情報科學，2012，30（8）：1139-1142

[3]錢穎，張楠，趙來軍等.微博輿情傳播規(guī)律研究[J].情報學報，2012，31（12）：1299-1304

[4]蘭月新.突發(fā)事件微博輿情擴散規(guī)律模型研究[J].情報科學，2013，（03）：31 -34

[5]于春，何明星. 基于元胞自動機的微博輿情傳播研究[J]. 西華大學學報（自然科學版），2014，33（5）：17-19

[6]方薇，何留進.采用元胞自動機的網(wǎng)絡(luò)輿情傳播模型研究[J].計算機應用，2010，3（30）：751-755

[7]史麗莉，謝梅.中國地方政務微博信息傳播的效果研究[J].電子政務，2013（3）：27-38

[8]胥柳曼. 公共空間背景下的政務微博傳播效果研究——以上海政務微博為例[D].上海交通大學，2011

[9]程曼麗. 政府傳播機理初探[J].北京大學學報（哲學社會科學版），2004，41（2）：134-139

[10]梁芷銘， 政務微博傳播機制初探[J].新聞愛好者，2012（12）：35-36

[11]武文靜.突發(fā)事件中政務微博的信息傳播研究[D].河北經(jīng)貿(mào)大學，2014

[12]蔣菁菁.政務微博的危機傳播研究[D].廣西大學，2014

[13]劉晨.突發(fā)事件中政務微博傳播問題與策略—基于新浪政務微博的研究[D]，2013

[14]袁園.微博用戶轉(zhuǎn)發(fā)意愿的影響因素研究.[D].南京大學，2013.

[15]戴雙星，陳冠雄，周濤等.興趣驅(qū)動的人類動力學模型研究[A]

[16]印桂生，崔曉暉，馬志強.遺忘曲線的協(xié)同過濾模型[J].哈爾濱工程大學學報，2012，33（1）：85-90.