夏一雪 張立紅 何 巍 張雙獅

(中國人民警察大學網絡輿情治理研究中心 廊坊 065000)

0 引 言

隨著網絡社會深入發(fā)展，網絡輿情不僅是現實社會的全息投影，更在虛擬與現實的高度交互中趨向于自我進化、自我發(fā)展，其作為一個系統的整體性屬性日益突出，以系統視角審視網絡輿情，是該領域的重要研究趨勢。安全與發(fā)展是網絡輿情系統的一體兩面，防范化解安全風險是促進網絡輿情健康發(fā)展的基礎和保證，因此需探索風險對于網絡輿情系統的作用機理，明晰內生、外生等不同類型風險作用于網絡輿情系統后，對系統演化的不同影響等深層機理，為防范化解安全風險提供理論依據。

國內網絡輿情演化研究，主要分為內部演化機理分析和外部演化態(tài)勢分析兩大研究方向。一是內部演化機理分析，大量研究成果集中于這一研究方向，包括演化要素、演化過程、演化動力學機制、演化路徑、演化趨勢預測、演化仿真等研究主題，主要運用傳染病模型及其改進模型[1]、系統動力學[2]、元胞自動機模型[3]、觀點動力學模型[4]、信息傳播模型[5]、事理圖譜[6]、復雜網絡分析[7]、扎根理論[8]等研究方法。二是外部演化態(tài)勢分析，包括態(tài)勢可視化分析、態(tài)勢評估、演化時空分析等研究主題，主要運用主題分析、情感分析等自然語言處理技術和方法[9-10]、深度學習等機器學習技術和方法[11]。目前針對風險視角下網絡輿情演化機理，已有研究集中于輿情演化不同階段的風險特征、風險識別、風險評估和風險治理，研究方法主要是灰色統計法[12]、層次分析法[13]、系統動力學[14]、等級全息建模[15]等，研究重點在于刻畫輿情不同階段的風險演化機理、構建輿情演化周期各階段的風險指標體系等，其實質是風險的演化機理。而風險作用于輿情后，對于輿情演化的影響機理，仍有待深入研究。

綜合而言，一方面已有研究主要考慮輿情主體、信息等因素在演化過程中的作用機理，較少考慮各種內外部因素作為風險因素對輿情演化的影響，但在實際輿情演化過程中，各種內外部風險因素對輿情演化具有重要影響，并改變輿情演化進程。因此有必要考察內生、外生等不同類型風險作用于網絡輿情系統后，對系統演化的不同影響等深層機理。另一方面，已有輿情風險研究中，主要考慮風險自身的演化機理，較少考慮風險作用后對輿情系統原有演化規(guī)律帶來的影響及其影響機理。由此，本文聚焦于風險作用下的網絡輿情演化機理，將輿情風險分為內生風險和外生風險，應用自治系統與非自治系統理論進行研究，并以自治線性風險為例，重點分析自治線性風險作用下的輿情演化特征，為深入解析輿情演化規(guī)律、開展輿情風險治理提供新的研究視角。

1 風險作用下網絡輿情演化機理

網絡輿情是網民圍繞某一話題進行表達、傳播、互動而產生的觀點和態(tài)度的集合，其呈現形態(tài)是網民發(fā)布、轉發(fā)、評論等信息，輿情信息是網絡輿情傳播演化的載體，而輿情信息量則成為度量輿情演化程度的重要變量。根據信息生命周期理論，網絡輿情演化經歷醞釀、擴散、消退等階段，將其信息量的統計數據進行累加后，具有明顯的“S型”數據特征(見圖1)。通過開展數學建模，可以定量地將網絡輿情演化過程劃分為若干階段[16]，這與信息生命周期理論相吻合。

圖1 “新型冠狀病毒”輿情數據

網絡輿情演化過程中，受信息異化、情感極化等原因的影響，極易產生風險，使得輿情演化偏離正常狀態(tài)。網絡輿情風險即導致輿情演化偏離常態(tài)規(guī)律的因素，按照風險來源于輿情系統內部或者外部，可將輿情風險分為內生風險和外生風險，其中內生風險產生、演化與系統自身相關，外生風險產生、演化與系統外部因素相關。風險的主要特征是未知和不確定，在網絡輿情演化全周期中，風險作用的時間點是不確定的，但風險對輿情的影響卻是確定的，即強化影響和弱化影響。在網絡輿情演化過程中，假設風險作用點為t0時刻。時間點t0之前，輿情演化為正常狀態(tài)，風險處于醞釀階段。時間點t0之后，風險激發(fā)，進入風險作用階段，導致產生網絡輿情強化或者弱化兩種狀態(tài)，前者信息量上限增加且信息增長速度變快，后者則信息量上限變小且信息增長變緩(圖2)。

圖2 風險作用下網絡輿情演化過程

2 風險作用下網絡輿情演化建模

2.1風險作用下網絡輿情演化模型

2.1.1 基礎模型 基于網絡輿情定義，假設某個網絡輿情的信息量和值x(簡稱輿情信息量)是關于時間t的連續(xù)可微函數，即x=x(t)，則網絡輿情演化過程可以用logistic模型描述，即

(1)

其中，r>0為網絡輿情信息量增長率，初值為x0，信息量上限為K。根據風險作用下網絡輿情演化機理，可以得出風險作用量化機理(圖3)：

圖3 風險作用量化機理

表1 風險作用類型

由于外部作用的不確定性以及非線性表達式難以確定等原因，下文重點討論f(x)=ax時，自治風險作用下網絡輿情演化規(guī)律(簡稱自治線性風險)，由此得出自治線性風險作用下網絡輿情演化模型為：

其中，t0為風險作用時刻，系數a>0為風險強度，+a對應輿情強化狀態(tài)，-a對應輿情弱化狀態(tài)。令r=r1=0.5,K=1000,x0=1,a=±0.0004,t0=15，繪制風險作用下網絡輿情演化模型數值解圖像(圖4)，觀察發(fā)現：模型解與風險作用下網絡輿情演化機理的定性認識相一致，能夠清晰看出風險作用后，輿情強化(xs)和弱化(xw)兩種狀態(tài)以及偏離正常狀態(tài)(xn)的程度。

圖4 模型數值解

表2 風險作用前后輿情演化對比數據

3 風險作用下網絡輿情演化仿真

3.1仿真設計考慮到風險作用于網絡輿情演化的不同階段對輿情演化的影響程度不同，本文通過數值仿真研究不同階段風險作用下網絡輿情演化規(guī)律。考慮到信息量單調遞增的假設條件，所以，

圖5 模型仿真思路與參數設置

圖6 分階段輿情強化狀態(tài)仿真

圖7 分階段輿情弱化狀態(tài)仿真

3.4仿真結論a.自治線性風險作用下，網絡輿情演化本質是兩條“S型”曲線的拼接，結合點就是風險作用點。

b.自治線性風險作用下，風險作用時間點t0起始于輿情演化的不同階段，對輿情演化的影響存在差異性。其中強化狀態(tài)下風險作用于消退期，對輿情演化周期影響顯著，導致網絡輿情二次爆發(fā)。

c.自治線性風險作用下，潛伏期和擴散期的網絡輿情演化總體來說是平穩(wěn)的，但消退期的輿情強化狀態(tài)對應的“雙S”曲線具有明顯的數據波動特征，由此可以得出一種數據驅動的網絡輿情風險推斷方法：根據潛伏期和擴散期的數據確定上限K和r，然后根據實時動態(tài)數據持續(xù)計算模型上限得到K'，當K和K'差距不大時，可認為無風險作用；當兩者差距很大時，則可能有自治線性風險作用。

4 實證研究

4.1實證來源2020年1月31日，多家媒體發(fā)布上海藥物所和武漢病毒所聯合研究發(fā)現雙黃連抑制病毒引發(fā)較高關注，“雙黃連可抑制新型冠狀病毒”相關話題閱讀量超過20.9億人次，隨后引發(fā)對雙黃連的瘋狂搶購，雙黃連搶購事件被中國健康傳媒集團《輿情周刊》評為2020年十大藥品輿情事件。由該事件誘發(fā)的雙黃連輿情極速擴散，導致雙黃連濫用風險、線下搶購雙黃連可能增加交叉感染風險、搶購信息急速傳播導致的信息異化風險以及中醫(yī)藥負面影響風險等系列風險，所以，該事件成為常態(tài)雙黃連藥品輿情的風險事件?；诖?，本文以雙黃連百度搜索數據作為建模數據，探究雙黃連搶購事件對雙黃連藥品輿情的影響。

分析百度搜索數據發(fā)現，：2020年1月31日之前，9年的雙黃連搜索指數整體變化趨勢較為平穩(wěn)，但經歷雙黃連搶購事件后，搜索指數迅速增加，在一段事件后又回歸于相對平穩(wěn)的變化狀態(tài)，由此可見，搶購事件對雙黃連的搜索指數造成巨大影響，屬于輿情被強化的情況。為確定風險作用程度，本文選取數據區(qū)間為2020年1月19日—2020年2月14日(圖8)，以此開展數據建模并驗證本文建模的合理性。

4.2實證思路根據實證案例分析，將數據區(qū)間(2020年1月19日—2020年2月14日)劃分為兩個階段(圖9)，第一階段為常態(tài)數據區(qū)間(區(qū)間I)：2020

圖8 建模數據

圖9 實證思路

自2020年2月1日(風險介入第二天)后開展動態(tài)預測，研究風險對網絡輿情演化的影響程度(擬合數據見表3)。

表3 動態(tài)預測擬合數據表

5 結束語

通過分析風險作用下網絡輿情演化過程，以logistic模型為基礎模型，構建自治線性風險作用下網絡輿情演化模型，通過仿真探索自治線性風險作用下網絡輿情演化特征，明晰自治線性風險對于網絡輿情的強化和弱化機理及其在不同演化階段的影響差異性，并通過實證驗證模型合理性。本文在以下兩個方面對網絡輿情演化研究有理論貢獻：一是通過數理建?？坍嬃孙L險作用下網絡輿情演化機理，并重點研究了自治線性風險作用下網絡輿情演化規(guī)律；二是從動態(tài)演化視角，分階段進行風險作用下網絡輿情演化研究，精細刻畫不同階段的演化特征。限于篇幅，在提出自治風險和非自治風險后，僅對自治線性風險進行深入研究，未來仍需拓展至自治非線性風險和非自治風險，進一步豐富風險作用下網絡輿情演化的理論研究。