收稿日期：2020-08-07

基金項(xiàng)目：中國博士后科學(xué)基金第13批特別資助項(xiàng)目“基于情感傳播的突發(fā)事件網(wǎng)絡(luò)輿論偏差及彌合機(jī)制研究”（項(xiàng)目編號：2020T130521）;中國博士后科學(xué)基金第65批面上資助項(xiàng)目“網(wǎng)絡(luò)突發(fā)事件公眾認(rèn)知偏差及引導(dǎo)機(jī)制”（項(xiàng)目編號：2019M653680）。

作者簡介：陽長征（1984-），男，副教授，博士后，研究方向：新媒體用戶、網(wǎng)絡(luò)信息傳播、媒介管理。

摘? 要：[目的/意義]為了探索位勢梯度、情感共軛與圈層擴(kuò)散之間動態(tài)影響機(jī)制，對網(wǎng)絡(luò)空間中的信息進(jìn)行分類和定級，實(shí)現(xiàn)危機(jī)信息的差異化監(jiān)控與治理。[方法/過程]本文采用向量自回歸、狀態(tài)空間模型及時(shí)間序列模型對位勢梯度、情感共軛及圈層擴(kuò)散之間關(guān)系進(jìn)行分析。[結(jié)果/結(jié)論]研究發(fā)現(xiàn)：1）位勢梯度及情感共軛的每次沖擊對圈層擴(kuò)散產(chǎn)生滯后性影響，在整個(gè)過程中呈現(xiàn)右偏態(tài)分布特征。2）位勢梯度及情感共軛對圈層擴(kuò)散波動的貢獻(xiàn)率均較大。3）位勢梯度與情感共軛對圈層擴(kuò)散的邊際影響變化呈倒U形拋物線特征，且均較大。4）位勢梯度、情感共軛與圈層擴(kuò)散之間的相互影響效應(yīng)在不同人口統(tǒng)計(jì)學(xué)群體間存在差異。

關(guān)鍵詞：圈層擴(kuò)散;位勢梯度;情感共軛;突發(fā)事件;內(nèi)生影響

DOI：10.3969/j.issn.1008-0821.2020.12.004

〔中圖分類號〕G206? 〔文獻(xiàn)標(biāo)識碼〕A? 〔文章編號〕1008-0821（2020）12-0036-09

Research on Endogenous Influence of Layered Diffusion of

Public Opinion in Emergency Events Based on VAR-SSM

Yang Changzheng

（School of Journalism & New Media，Xian Jiaotong University，Xian 710049，China）

Abstract：[Purpose/Significance]In order to seek for the endogenous influence of potential gradient and emotional conjugation on layered diffusion of public opinion，monitor and govern crisis information，and enhance the intention of sharing positive information.[Method/Process]The paper used VAR model，panel data model，and state space model to analyze the relationship between potential gradient，emotional conjugation and layered diffusion.[Result/Conclusion]The research found that（1）The impact of the potential gradient and emotional conjugation was not quickly transmitted to the layered diffusion，and presents a right skew distribution characteristic throughout the process.（2）The effect of potential gradient and the emotional conjugate was greater.（3）The change of the marginal influence of potential gradient and emotional conjugation on the layered diffusion showed an inverted U-shaped parabola，and the corresponding marginal influence effects were all relatively large.（4）The interaction effects between potential gradient，emotional conjugation，and layered diffusion were different among different demographic groups.

Key words：layered diffusion;potential gradient;emotional conjugation;emergencies events;endogenous influence

近年來，隨著網(wǎng)絡(luò)媒體的普遍使用，危機(jī)事件爆發(fā)變得越來越頻繁，從而導(dǎo)致危機(jī)信息迅速擴(kuò)散，并形成難以遏制之勢。傳播學(xué)水紋效應(yīng)模型指出，信息傳播過程就像在平靜的湖水中扔下一顆石子，水紋就會以很快的速度向周圍產(chǎn)生共振波，其擴(kuò)散的范圍和效果受到水質(zhì)和水面地形的影響而有所不同。在網(wǎng)絡(luò)空間中，信息的傳播過程也具有該擴(kuò)散效應(yīng)[1]。而圈層擴(kuò)散，是指信息在傳播過程中，由于傳播主體或受體在地域、政治、經(jīng)濟(jì)、文化及知識等維度存在相似性或相關(guān)性，從而導(dǎo)致該類群體在信息擴(kuò)散過程中形成圈層化信息行為特征。針對網(wǎng)絡(luò)突發(fā)事件，在水紋傳播效應(yīng)作用下，在事件發(fā)生之初，人們由于難以獲得突發(fā)事件的確切信息，易產(chǎn)生從眾效應(yīng)，導(dǎo)致信息偏差及認(rèn)知級聯(lián)行為的產(chǎn)生，進(jìn)而形成信息圈層化擴(kuò)散，從而導(dǎo)致事件演化為群體極化或?qū)κ录纬奢浾撈睿⒂绊懮鐣€(wěn)定及健康發(fā)展。

然而，在物理學(xué)中，位勢梯度是表征等壓圖上等高線疏密程度的一種量度。在復(fù)雜社會網(wǎng)絡(luò)中，以網(wǎng)絡(luò)中某節(jié)點(diǎn)為中心，以鄰接的節(jié)點(diǎn)數(shù)量為距離，可形成不同等節(jié)點(diǎn)距離的圈層，從而使得處于網(wǎng)絡(luò)中的用戶存在類似于物理學(xué)中的位勢梯度。針對突發(fā)事件，復(fù)雜網(wǎng)絡(luò)中的坡度大小則會影響用戶的信息級聯(lián)意愿及從眾行為，從而形成差異化輿論圈層擴(kuò)散特征[2]。而共軛是指按一定規(guī)律相配的一對，在物理學(xué)中是指以某軸形成對稱的兩個(gè)物體。情感共軛則是指在復(fù)雜社會網(wǎng)絡(luò)中，用戶情感節(jié)點(diǎn)在空間位置上具有對稱性，從而使得等距線上的情感分布處于疊加狀態(tài)。而心理平衡理論指出認(rèn)知一致性是驅(qū)動心理平衡的動力，如果情感或喜好關(guān)系處于平衡狀態(tài)，則系統(tǒng)中的認(rèn)知行為處于平穩(wěn)。而當(dāng)情感系統(tǒng)出現(xiàn)不平衡時(shí)，則會產(chǎn)生不愉快等心理壓力，從而驅(qū)使主體產(chǎn)生設(shè)法恢復(fù)認(rèn)知平衡的認(rèn)知或行為。在突發(fā)事件中，情感共軛由于其情感疊加效應(yīng)，可引起用戶出現(xiàn)圈層性情感失調(diào)及認(rèn)知失調(diào)，從而驅(qū)使用戶產(chǎn)生恢復(fù)其平衡態(tài)的認(rèn)知，進(jìn)而導(dǎo)致用戶對事件輿論出現(xiàn)對應(yīng)圈層化擴(kuò)散的信息行為[3]。因此，網(wǎng)絡(luò)結(jié)構(gòu)的位勢梯度與情感共軛對輿論圈層擴(kuò)散具有重要影響，探索之間的影響機(jī)制對于政府部門和媒體機(jī)構(gòu)在突發(fā)事件網(wǎng)絡(luò)輿情治理方面具有重要意義。在此背景下，本文探索如下問題：①突發(fā)事件中，網(wǎng)絡(luò)空間位勢梯度、情感共軛與圈層擴(kuò)散間的脈沖響應(yīng)效應(yīng)及邊際影響力如何？②變量間的脈沖響應(yīng)效應(yīng)及邊際影響力在不同用戶細(xì)分群體間的差異性如何？

1? 理論模型建構(gòu)

首先，將位勢梯度、情感共軛及圈層擴(kuò)散之間關(guān)系納入同一理論框架，建構(gòu)各內(nèi)生變量相互作用、相互影響的動態(tài)VAR理論模型。其模型如下：

其中diffus為圈層擴(kuò)散，conju為情感共軛，gradt為位勢梯度，k為內(nèi)生變量滯后階數(shù)，εi為隨機(jī)誤差項(xiàng)。

在此基礎(chǔ)上，對VAR模型中的位勢梯度、情感共軛及圈層擴(kuò)散之間脈沖響應(yīng)（IRF）進(jìn)行分析，其脈沖響應(yīng)結(jié)構(gòu)如下：

ψvariable（q，δj，Ωt-1=E（yvariable，t+q|εvariable，jt=δvariable，j，Ωvariable，t-1）-E（yivariable，t+q|Ωvariable，t-1）=Avariable，qΣvariable，jσvariable，jj δvariable，jσvariable，jj

其中，q=0，1，2，…，t=1，2，…，T。其中σvariable，jj=Evariable（ε2jt），Σvariable，j=Evariable（εtεjt）表示εt協(xié)方差矩陣Σ上的第j列元素，εt來自yvariable，t=Φ1yvariable，t-1+…+Φ1yvariable，t-p+εvariable，t中的擾動列向量εvariable，t，Φi為系數(shù)矩陣，p為滯后階數(shù)。

同時(shí)，為了分析VAR模型中位勢梯度、情感共軛及圈層擴(kuò)散變量間結(jié)構(gòu)性沖擊對特定內(nèi)生變量變化貢獻(xiàn)率（RVC），需對脈沖進(jìn)行方差分解：

RVCj→variable（s）=∑s-1q=0（a（q）variable，j）2σjj∑kj=1∑s-1q=0（a（q）variable，j）2σjj

其中，j為對應(yīng)的各影響因素，其中s為q的有限項(xiàng)取值，a（q）variable，j=yvariable，t+qyjt，q=0，1，2，…，t=1，2，…，T;σjj=E（ε2t）。

其次，為了分析各內(nèi)生變量每一單位數(shù)值對因變量影響效應(yīng)的大小，即在某一時(shí)間內(nèi)自變量對因變量產(chǎn)生的邊際影響力的動態(tài)變化過程，構(gòu)建邊際影響力的狀態(tài)空間模型（SSM）如下：

測量方程：

diffust=c11t+a11t*conjtt-i+a12t*gradtt-i+u11t

conjut=c21t+a21t*diffust-i+a22t*gradtt-i+u21t

gradtc31t+a31t*conjut-i+a32t*diffust-i+u31t

狀態(tài)方程：

a11t=adiffus+γa11t-1+ε11t，a12t=βdiffus+γa12t-1+ε12t

a21t=aconju+γa21t-1+ε21t，a22t=βconju+γa22t-1+ε22t

a31t=agradt+γa31t-1+ε31t，a32t=βgradt+γa32t-1+ε32t

其中，測量方程中的解釋變量為經(jīng)協(xié)整檢驗(yàn)后處于長期均衡關(guān)系的滯后第i階的影響因子，ui1t為滿足均值E（ui1t）=0和協(xié)方差矩陣var（ui1t）=Hi1t的連續(xù)的不相關(guān)擾動項(xiàng)，εijt為滿足均值E（εijt）=0和協(xié)方差矩陣var（εijt）=Hijt的連續(xù)的不相關(guān)擾動項(xiàng)。

最后，為了探索變量間關(guān)系在不同區(qū)域的差異性，構(gòu)建如下時(shí)間序列模型：

diffus=α1+β1*conju+γ1*gradt+μ1

gradt=α2+β2*conju+γ2*diffus+μ2

conju=α2+β3*gradt+γ3*diffus+μ3

2? 變量說明與數(shù)據(jù)收集

2.1? 變量說明

信息在傳播過程中，設(shè)A表示某一節(jié)點(diǎn)存在圈層化，B表示該節(jié)點(diǎn)存在信息擴(kuò)散，P（B|A）則表示該節(jié)點(diǎn)在存在圈層化特征的情況下發(fā)生信息擴(kuò)散的概率，即該節(jié)點(diǎn)存在圈層擴(kuò)散的概率。圈層化的測量則采用動態(tài)圈層化指數(shù)，考察在一個(gè)時(shí)間段內(nèi)某節(jié)點(diǎn)的圈層集聚動態(tài)變化過程，用公式表示為：

Dij（0-t）=Sij（0-t）Si（0-t）=tPijtPij0-1t∑mj=1Pijt∑mj=1Pij0-1

式中Dij（0-t）為i節(jié)點(diǎn)[0-t]時(shí)間段內(nèi)在j空間圈層化的動態(tài)指數(shù)，Sij（0-t）表示[0-t]時(shí)間段內(nèi)i節(jié)點(diǎn)在j空間的圈層化水平，Si（0-t）表示[0-t]時(shí)間段內(nèi)i節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)空間的平均圈層化水平，這兩項(xiàng)指標(biāo)均以幾何平均值計(jì)算。Pij0與Pijt分別表示i節(jié)點(diǎn)在j空間期初與期末的圈層化水平值，∑mj=1Pij0與∑mj=1Pijt則分別表示i節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)空間的期初與期末圈層水平值[4]。基于上述圈層化水平測量及信息擴(kuò)散測量，根據(jù)條件概率公式：P（B|A）=P（AB）P（A），并設(shè)B1，B2，…，Bn為樣本空間S的一個(gè)子群圈層，即B={B1∪B2∪…∪Bn}，且P（Bi）>0，i=1，2，3，…，n，則對任何事件A，P（A）>0，在根據(jù)貝葉斯公式：P（Bi|A）=P（Bi）P（A|Bi）∑nj=1P（Bj）P（A|Bj），從而可以計(jì)算出節(jié)點(diǎn)的圈層化擴(kuò)散值。

在網(wǎng)絡(luò)空間中，設(shè)網(wǎng)絡(luò)空間用戶所處時(shí)點(diǎn)的密度分布函數(shù)z=f（x，y）在平面區(qū)域D上具有一階連續(xù)偏導(dǎo)數(shù)，則對于每一個(gè)點(diǎn)p（x，y）都可定出一個(gè)向量fx，fy=fx（x，y）+fy（x，y），該函數(shù)即為函數(shù)z=f（x，y）在點(diǎn)p（x，y）的梯度，記作gradf（x，y）或f（x，y），則有：gradf（x，y）=f（x，y）=fx，fy=fx（x，y）+fy（x，y），其中=x+y為向量微分算子，f=fx+fy。設(shè)e={cosα，sinβ}為方向I上的單位向量，則fl=fxcosα+fysinβ=fx，fy{cosα，sinβ}=gradf（x，y）e=gradf（x，y）ecosα[gradf（x，y），e]，由于當(dāng)方向I與梯度方向一致時(shí)，有cosα[gradf（x，y），e]=1。當(dāng)I與梯度方向一致時(shí)，方向?qū)?shù)fl有最大值，且最大值為梯度的模，即gradf（x，y）=fx2+fy2。因此，函數(shù)在沿梯度方向的變化率最大，其最大值則為該梯度的模數(shù)值[5]。

在復(fù)雜社會網(wǎng)絡(luò)中，共軛是群中的一種重要等價(jià)關(guān)系，設(shè)S、T是群G的兩個(gè)非空子集，H是G的子群，若存在H中元素g使得T=g-1Sg=Sg，則稱S和T關(guān)于H共軛，其中T=g-1Sg={g-1Sg|s∈S}稱為S按g的變形。若S為G的子群，T稱為S關(guān)于H的共軛子群;若S={s}為一個(gè)元的集合，則稱t=g-1sg為s關(guān)于H的共軛元。設(shè)S是群G的一個(gè)子集，H是G的一個(gè)子群，與S關(guān)于H共軛的所有子集組成的集合稱為S關(guān)于H的共軛類。當(dāng)S={s}為一個(gè)元素的集合，s關(guān)于G的共軛類是元素的集合，就簡稱G的一個(gè)共軛類。根據(jù)定義，復(fù)數(shù)M的共軛復(fù)數(shù)記作，若M=a+ib（a，b∈R），則=a-ib（a，b∈R）[6]。

2.2? 數(shù)據(jù)收集

2.2.1? 樣本選取

根據(jù)“人民網(wǎng)輿情數(shù)據(jù)中心”每年度發(fā)布的《輿情報(bào)告》排行榜單，以其中報(bào)告的每年度輿情事件為抽樣框，根據(jù)《輿情報(bào)告》中對事件影響力指數(shù)的排名，并同時(shí)結(jié)合事件知名度、媒體報(bào)道程度、危機(jī)關(guān)注度、危機(jī)持續(xù)性、危機(jī)影響力及危機(jī)破壞力6個(gè)維度作為參考標(biāo)準(zhǔn)，選擇“2019年湖南懷化操場埋尸事件”網(wǎng)絡(luò)輿情作為本研究樣本。選擇該事件作為研究樣本的優(yōu)點(diǎn)在于，一方面，由于該突發(fā)事件的綜合影響力較大，所涉事件性質(zhì)為公檢法類事情，與公眾日常生活密切相關(guān)，公眾在事件輿論上的參與程度整體上相對較高，因而其輿情演化過程的特征呈現(xiàn)則明顯和清晰，以利于數(shù)據(jù)的分析及結(jié)論的提取;另一方面，由于該事件為近期發(fā)生，其網(wǎng)絡(luò)輿情數(shù)據(jù)則相對易于爬取和收集，從而可提高數(shù)據(jù)的獲取效率及有效性。

2.2.2? 數(shù)據(jù)獲取

本研究采用網(wǎng)絡(luò)爬蟲技術(shù)對樣本數(shù)據(jù)進(jìn)行采集，綜合考慮突發(fā)事件樣本信息傳播過程的有效時(shí)長，確定對該樣本事件輿情的跟蹤時(shí)間為21天，在數(shù)據(jù)搜集過程中，為了數(shù)據(jù)整理和表達(dá)的方便，對所獲取的數(shù)據(jù)進(jìn)行統(tǒng)一編號處理，對每1位用戶及其轉(zhuǎn)發(fā)的信息賦予唯一的ID編號。對數(shù)據(jù)進(jìn)行清洗，包括對數(shù)據(jù)一致性、重復(fù)數(shù)據(jù)、無效數(shù)據(jù)、缺失值、錯(cuò)誤數(shù)據(jù)等可識別的不符合要求的數(shù)據(jù)和文件進(jìn)行審查、校驗(yàn)、糾正和處理。經(jīng)過數(shù)據(jù)清洗后，共獲得有效數(shù)據(jù)24 713條，并根據(jù)總度數(shù)、出度數(shù)、入度數(shù)、中心度、初始語義值、滯后語義值、集聚系數(shù)、情感系數(shù)、耦合度、邊度相關(guān)系數(shù)等，計(jì)算形成位勢梯度系數(shù)（gradt）、情感共軛系數(shù)（conju）及圈層擴(kuò)散系數(shù)（diffus）3個(gè)變量的時(shí)間序列大數(shù)據(jù)。

3? 整體效應(yīng)分析

3.1? VAR模型估計(jì)

在進(jìn)行VAR模型構(gòu)建前，需要進(jìn)行Granger因果關(guān)系及穩(wěn)定性檢驗(yàn)，以確定一組時(shí)間序列是否為另一組時(shí)間序列的原因，以及VAR模型在參數(shù)及結(jié)構(gòu)設(shè)定上的正確性。對模型中的變量結(jié)構(gòu)進(jìn)行識別和檢驗(yàn)，分析圈層擴(kuò)散、情感共軛及位勢梯度之間是否存在顯著性Granger因果關(guān)系，以確定VAR模型結(jié)構(gòu)設(shè)定是否合理。對應(yīng)的Granger因果檢驗(yàn)結(jié)果如表1所示。

由表1可見，在位勢梯度、情感共軛及圈層擴(kuò)散之間的因果關(guān)系排除檢驗(yàn)中，各變量及兩兩變量聯(lián)合項(xiàng)的χ2檢驗(yàn)對應(yīng)的p值均小于0.05的顯著水平，可以拒絕不存在因果關(guān)系的原假設(shè)，表明位勢梯度、情感共軛及圈層擴(kuò)散相互間存在因果關(guān)系。因此，在VAR模型構(gòu)建中將位勢梯度、情感共軛及圈層擴(kuò)散作為內(nèi)生變量的變量設(shè)置合理有效。

在Granger因果關(guān)系檢驗(yàn)的基礎(chǔ)上，為了進(jìn)一步了解位勢梯度、情感共軛及圈層擴(kuò)散之間影響的滯后時(shí)間長度，需對VAR模型進(jìn)行統(tǒng)計(jì)分析和時(shí)滯長度判斷。根據(jù)LR檢驗(yàn)，以及FPE、AIC、SC、HQ信息準(zhǔn)則最小化的標(biāo)準(zhǔn)，對應(yīng)的統(tǒng)計(jì)結(jié)果顯示，VAR模型的最佳時(shí)間滯后長度為2期。

以內(nèi)生變量滯后2階建構(gòu)VAR模型，并對其進(jìn)行模型估計(jì)，其結(jié)果如表2所示。

由表2可見，VAR模型的3個(gè)方程中各項(xiàng)系數(shù)顯著性檢驗(yàn)的值均大于0.05顯著水平對應(yīng)的臨界值1.96。同時(shí)，可決系數(shù)R-squared值均大于0.80，表明所構(gòu)建的VAR模型與樣本數(shù)據(jù)擬合度良好，該估計(jì)結(jié)果可用于位勢梯度、情感共軛及圈層擴(kuò)散之間動態(tài)影響的相關(guān)分析。

3.2? 脈沖響應(yīng)

脈沖響應(yīng)函數(shù)（IRF）是用來分析VAR模型的一種方法，對模型中每個(gè)變量間受到外界沖擊時(shí)，其它各變量對該沖擊所作出的響應(yīng)情況，包括響應(yīng)的大小、響應(yīng)滯后長度、響應(yīng)的變化過程等內(nèi)容。為了揭示位勢梯度、情感共軛及圈層擴(kuò)散之間的動態(tài)擾動特征，在VAR模型估計(jì)基礎(chǔ)上分別對位勢梯度、情感共軛及圈層擴(kuò)散進(jìn)行脈沖響應(yīng)分析。對應(yīng)分析結(jié)果如圖1所示。

由圖1可見，在第1行脈沖圖中，當(dāng)圈層擴(kuò)散、位勢梯度及情感共軛受到一個(gè)正向沖擊時(shí)，圈層擴(kuò)散迅速產(chǎn)生自相關(guān)沖擊，位勢梯度及情感共軛的每次沖擊帶來的影響并非迅速傳導(dǎo)至圈層擴(kuò)散，而是在滯后第3～6期影響效應(yīng)達(dá)到正向最大值，其后呈逐漸減弱趨勢，在整個(gè)過程中均呈現(xiàn)右偏態(tài)分布特征。其中，圈層擴(kuò)散自相關(guān)影響效應(yīng)最大，且較大值持續(xù)的時(shí)間最長，位勢梯度沖擊及情感共軛也均較大。在第2行脈沖圖中，情感共軛的自相關(guān)效應(yīng)及圈層擴(kuò)散的沖擊對情感共軛均迅速產(chǎn)生影響，且影響效應(yīng)均為較大的正向波動，位勢梯度沖擊的影響并非迅速傳導(dǎo)至情感共軛。其中，圈層擴(kuò)散及情感共軛自相關(guān)效應(yīng)的影響最大，位勢梯度的沖擊均較大。在第3行脈沖圖中，圈層擴(kuò)散、情感共軛及位勢梯度自相關(guān)效應(yīng)對位勢梯度均迅速產(chǎn)生正向影響，且圈層擴(kuò)散的影響最大，情感共軛與位勢梯度自相關(guān)效應(yīng)的沖擊均較大。

3.3? 貢獻(xiàn)率分解

為了比較位勢梯度、情感共軛及圈層擴(kuò)散相互擾動效應(yīng)的大小，從而識別出不同影響因素對位勢梯度、情感共軛及圈層擴(kuò)散影響的重要程度，需在上述各影響因素動態(tài)擾動特征分析的基礎(chǔ)上，分別對各因素的波動貢獻(xiàn)率進(jìn)行方差分解。其方差分解結(jié)果如圖2所示。

由圖2可見，在圈層擴(kuò)散方差分解中，在前二期圈層擴(kuò)散自相關(guān)的影響較大且快速下降，情感共軛的影響相對較小且快速上升，其影響于滯后6期后趨向平穩(wěn)，位勢梯度在整個(gè)過程中對波動的貢獻(xiàn)率較小。對于整個(gè)過程，情感共軛對圈層擴(kuò)散波動的貢獻(xiàn)率約為7%，圈層擴(kuò)散自相關(guān)效應(yīng)約為81%，位勢梯度影響效應(yīng)約為12%。情感共軛自相效應(yīng)對情感共軛的貢獻(xiàn)率約為13%，位勢梯度影響效應(yīng)約為13%，圈層擴(kuò)散的影響效應(yīng)約為74%。位勢梯度自相關(guān)效應(yīng)對位勢梯度波動的貢獻(xiàn)率約為12%，圈層擴(kuò)散影響效應(yīng)約為76%，情感共軛影響效應(yīng)約為12%。

4? 邊際效應(yīng)分析

4.1? 邊際影響力

在上述脈沖波動分析基礎(chǔ)上，為了進(jìn)一步了解位勢梯度、情感共軛及圈層擴(kuò)散之間的邊際影響力，在此使用狀態(tài)空間模型對各變量之間邊際影響力的變化過程進(jìn)行分析，從而揭示位勢梯度、情感共軛及圈層擴(kuò)散之間影響效應(yīng)的波動過程特征。其狀態(tài)空間模型分析結(jié)果如圖3～5所示。

圖3結(jié)果顯示，位勢梯度與情感共軛對圈層擴(kuò)散的邊際影響力變化呈倒U形拋物線特征。其中，位勢梯度對圈層擴(kuò)散系數(shù)的邊際影響力先快速上升，其后緩慢下降。情感共軛對圈層擴(kuò)散系數(shù)的邊際影響力先波動上升，其后快速下降。在事件演化過程中，情感共軛及位勢梯度對圈層擴(kuò)散的邊際影響效應(yīng)的均值較大，且持續(xù)的時(shí)間均較長。

圖4結(jié)果顯示，位勢梯度與圈層擴(kuò)散對情感共軛的邊際影響力變化呈倒U形拋物線特征。其中，位勢梯度對情感共軛系數(shù)的邊際影響力先快速上升，其后緩慢下降。圈層擴(kuò)散對情感共軛系數(shù)的邊際影響力也先快速上升，其后緩慢下降。在事件演化過程中，位勢梯度及圈層擴(kuò)散對情感共軛的邊際影響效應(yīng)的均值較大，且持續(xù)的時(shí)間均較長。

圖5結(jié)果顯示，圈層擴(kuò)散與情感共軛對位勢梯度的邊際影響力變化呈倒U形拋物線特征。其中，圈層擴(kuò)散對位勢梯度系數(shù)的邊際影響力先快速上升，其后緩慢下降。情感共軛對位勢梯度系數(shù)的邊際影響力先波動上升，其后緩慢下降。在事件演化過程中，情感共軛及圈層擴(kuò)散對位勢梯度的邊際影響效應(yīng)的均值較大，且持續(xù)的時(shí)間均較長。

4.2? 群組差異性

由于各類用戶群體在社會角色及認(rèn)知心理上的差異，從而導(dǎo)致不同性別、年齡及學(xué)歷的群體在位勢梯度、情感共軛及圈層擴(kuò)散之間的影響效應(yīng)上存在差異。因此，為了探索不同用戶群體間的差異性，采用時(shí)間序列模型對不同群組的影響效應(yīng)進(jìn)行分析。使用Eviews10.0計(jì)量軟件對模型進(jìn)行擬合，其擬合結(jié)果如表3所示。

表3擬合結(jié)果顯示，從表中的縱向結(jié)果數(shù)據(jù)看，根據(jù)各變量系數(shù)大小，對于圈層擴(kuò)散方程，情感共軛變量的系數(shù)β1值呈現(xiàn)出大于位勢梯度變量對應(yīng)的系數(shù)γ1值，表明情感共軛對圈層擴(kuò)散的影響效應(yīng)大于位勢梯度的影響效應(yīng)。對于位勢梯度方程，情感共軛變量的系數(shù)β2值呈現(xiàn)出大于圈層擴(kuò)散變量對應(yīng)的系數(shù)γ2值，表明情感共軛對位勢梯

度的影響效應(yīng)大于圈層擴(kuò)散的影響效應(yīng)。對于情感共軛方程，位勢梯度變量的系數(shù)β3值呈現(xiàn)出大于圈層擴(kuò)散變量對應(yīng)的系數(shù)γ3值，表明位勢梯度對情感共軛的影響效應(yīng)大于圈層擴(kuò)散的影響效應(yīng)。

從表中的橫向結(jié)果數(shù)據(jù)看，對于圈層擴(kuò)散方程，根據(jù)各變量系數(shù)大小，通過比較情感共軛變量的系數(shù)β1值及位勢梯度變量系數(shù)γ1值，結(jié)果顯示：對于β1值及γ1值，在性別群組上，女性大于男性;在年齡群組上，29歲及以下群組最大，30～49歲群組較大，50歲及以上群組最小;在學(xué)歷群組上，小學(xué)及以下群組最大，中學(xué)群組較大，大學(xué)及以上群組最小。

5? 穩(wěn)健性分析

本文從替換估計(jì)方法方面考慮模型估計(jì)結(jié)果的穩(wěn)健性，在VAR模型脈沖響應(yīng)分析時(shí)，之前采用了殘差協(xié)方差矩陣的Cholesky因子的逆來正交化脈沖，該方法是通過給VAR模型的變量強(qiáng)加一個(gè)次序，并將所有影響變量的公共因素歸結(jié)于VAR模型中第一次出現(xiàn)的變量上。現(xiàn)采用廣義脈沖方法替代，即構(gòu)建一個(gè)不依賴于VAR模型中變量次序的正交化的殘差矩陣。而在進(jìn)行區(qū)域差異性分析時(shí)，采用工具變量的二階段最小二乘法替代上述采用的最小二乘法對模型進(jìn)行估計(jì)。

在狀態(tài)空間模型中，其算法包括“Marquardt”和“BHHH”估計(jì)方法。之前采用Marquardt進(jìn)行估計(jì)，可以提供數(shù)值非線性最小化解決方案?，F(xiàn)采用BHHH算法替代，使用從上次迭代獲得的參數(shù)擬合值來運(yùn)算多元變量模型的殘差項(xiàng)的方差與協(xié)方差矩陣，并運(yùn)算新的搜索方向，以獲得收斂的最佳算法。

根據(jù)分析結(jié)果，采用上述替代方法進(jìn)行模型擬合，不同方法模型擬合的各路徑系數(shù)p值均小于0.05的顯著水平，以及系數(shù)差異性檢驗(yàn)p值均大于0.05的顯著水平，檢驗(yàn)結(jié)果顯示采用替代方法估計(jì)后的各模型參數(shù)值在邏輯關(guān)系和邏輯結(jié)構(gòu)上與初始所采用的指標(biāo)建構(gòu)的模型分析結(jié)果一致，表明上述建構(gòu)的理論模型及分析結(jié)果具有良好的穩(wěn)健性。

6? 結(jié)論與啟示

通過2019年湖南懷化操場埋尸事件作為樣本收集數(shù)據(jù)，探索了位勢梯度、情感共軛及圈層擴(kuò)散之間動態(tài)影響，得出如下研究結(jié)論：

1）當(dāng)圈層擴(kuò)散、位勢梯度及情感共軛受到一個(gè)正向沖擊時(shí)，圈層擴(kuò)散迅速產(chǎn)生自相關(guān)沖擊，位勢梯度及情感共軛的每次沖擊帶來的影響并非迅速傳導(dǎo)至圈層擴(kuò)散，在整個(gè)過程中均呈現(xiàn)右偏態(tài)分布特征。其中，圈層擴(kuò)散自相關(guān)影響效應(yīng)最大，且較大值持續(xù)的時(shí)間最長，位勢梯度沖擊效應(yīng)及情感共軛沖擊效應(yīng)也均較大。情感共軛的自相關(guān)效應(yīng)及圈層擴(kuò)散的沖擊對情感共軛均迅速產(chǎn)生影響，且影響效應(yīng)均為較大的正向波動，位勢梯度沖擊的影響并非迅速傳導(dǎo)至情感共軛。其中，圈層擴(kuò)散及情感共軛自相關(guān)效應(yīng)的影響最大，位勢梯度的沖擊均較大。圈層擴(kuò)散、情感共軛及位勢梯度自相關(guān)效應(yīng)對位勢梯度均迅速產(chǎn)生正向影響，且圈層擴(kuò)散的影響最大，情感共軛與位勢梯度自相關(guān)效應(yīng)的沖擊均較大。

2）情感共軛對圈層擴(kuò)散波動的貢獻(xiàn)率最小，圈層擴(kuò)散自相關(guān)效應(yīng)最大，位勢梯度影響效應(yīng)較大。情感共軛自相效應(yīng)及位勢梯度對情感共軛的貢獻(xiàn)率較大，圈層擴(kuò)散的影響效應(yīng)最大。位勢梯度自相關(guān)效應(yīng)及情感共軛影響效應(yīng)對位勢梯度波動的貢獻(xiàn)率較大，圈層擴(kuò)散影響效應(yīng)最大。

3）位勢梯度與情感共軛對圈層擴(kuò)散的邊際影響力變化呈倒U形拋物線特征，且邊際影響效應(yīng)均較大，且持續(xù)的時(shí)間均較長。位勢梯度與圈層擴(kuò)散對情感共軛的邊際影響力變化呈倒U形拋物線特征，且邊際影響效應(yīng)均較大，且持續(xù)的時(shí)間均較長。圈層擴(kuò)散與情感共軛對位勢梯度的邊際影響力變化呈倒U形拋物線特征，且邊際影響效應(yīng)均較大，且持續(xù)的時(shí)間均較長。

4）情感共軛對圈層擴(kuò)散的影響效應(yīng)大于位勢梯度的影響效應(yīng)，情感共軛對位勢梯度的影響效應(yīng)大于圈層擴(kuò)散的影響效應(yīng)，位勢梯度對情感共軛的影響效應(yīng)大于圈層擴(kuò)散的影響效應(yīng)。情感共軛及位勢梯度對圈層擴(kuò)散的影響，在性別群組上，女性大于男性;在年齡群組上，29歲及以下群組最大，30～49歲群組較大，50歲及以上群組最小;在學(xué)歷群組上，小學(xué)及以下群組最大，中學(xué)群組較大，大學(xué)及以上群組最小。

針對位勢梯度對輿論圈層擴(kuò)散行為具有滯后影響效應(yīng)的研究結(jié)論，社會網(wǎng)絡(luò)理論指出，社會網(wǎng)絡(luò)是由諸多節(jié)點(diǎn)構(gòu)成的一類社會結(jié)構(gòu)，節(jié)點(diǎn)代表著個(gè)人或組織，整個(gè)社會網(wǎng)絡(luò)代表各種社會關(guān)系。而位勢梯度作為單位時(shí)間或單位距離內(nèi)主體相鄰位置上用戶密度變化的程度，位勢梯度越大則表明用戶所處網(wǎng)絡(luò)密度越大，則使得用戶群體形成一定的層次現(xiàn)象。然而，弱關(guān)系理論指出，在人際關(guān)系較弱的社會系統(tǒng)中，人們可從廣泛的信源獲得更多樣化的信息，通過刺激個(gè)體的想法從而使創(chuàng)新更有可能，因而在弱關(guān)系群體中不易于產(chǎn)生從眾效應(yīng)，其圈層擴(kuò)散性也越弱。若系統(tǒng)主要由強(qiáng)關(guān)系成員構(gòu)成，用戶間具有較高的相似性，則所獲得的信息具有較大程度趨同，所傳播的信息更可能局限于較小的社會空間范圍，從而個(gè)體主動獲取信息的信源范圍則較小，且信息多樣化程度較低，信息具有較大相似性[7]。因而，位勢梯度較大時(shí)，人們易于產(chǎn)生信息從眾心理，其圈層擴(kuò)散性也越高。

針對情感共軛對輿論圈層擴(kuò)散行為具有滯后影響效應(yīng)的研究結(jié)論，在社會學(xué)和社會心理學(xué)中，內(nèi)群體是指一個(gè)人在心理上被識別為成員的社會群體，外群體是一個(gè)人無法識別或識別為不屬于其中成員的社會群體。如果個(gè)體相信其屬于某內(nèi)群體，他們將持積極態(tài)度，并在該群體中具有歸屬感，即形成內(nèi)群體偏好，同時(shí)對外群體持有消極態(tài)度及不平等看法。而情感作為網(wǎng)絡(luò)輿論演化的重要動力，其傳播過程則是情緒載體通過所嵌入的社會網(wǎng)絡(luò)進(jìn)行傳導(dǎo)和擴(kuò)散，形成情感互動，并建立起特定情感關(guān)系的過程[8]。在突發(fā)事件網(wǎng)絡(luò)輿論中，當(dāng)存在情感共軛時(shí)，則會在同一等距線上產(chǎn)生情感疊加、情感共振與話語協(xié)同，在公眾中可形成大規(guī)模網(wǎng)絡(luò)動員，并形成內(nèi)群體，從而形成圈層擴(kuò)散效應(yīng)。而在不同等距線間，則形成不同特征的圈層結(jié)構(gòu)。

該研究結(jié)論對突發(fā)事件中用戶圈層擴(kuò)散行為的管控和治理具有啟示意義。首先，由于位勢梯度及情感共軛對圈層擴(kuò)散的沖擊影響效應(yīng)較大，且位勢梯度對圈層擴(kuò)散的邊際影響效應(yīng)大于情感共軛的影響。因此，在圈層擴(kuò)散行為管控及治理過程中，應(yīng)重點(diǎn)降低因位勢梯度而引起的不準(zhǔn)確信息的快速擴(kuò)散，尤其因客觀信息披露不及時(shí)而導(dǎo)致用戶圈層擴(kuò)散效應(yīng)，從而引起小道消息的快速和廣泛流動。同時(shí)，加強(qiáng)用戶情感引導(dǎo)及情緒疏通工作，尤其在突發(fā)事件發(fā)生的初期則為情緒引導(dǎo)和情感擴(kuò)散控制的最佳時(shí)間。通過對用戶位勢梯度、情感疏導(dǎo)及圈層擴(kuò)散現(xiàn)象的管控，及時(shí)搶占網(wǎng)絡(luò)話語主動權(quán)，從而降低用戶認(rèn)知偏差的產(chǎn)生和聚變。其次，由于情感共軛的自相關(guān)滯后效應(yīng)及位勢梯度的沖擊對情感共軛存在顯著影響，情感共軛沖擊及位勢梯度自相關(guān)效應(yīng)對位勢梯度存在顯著影響。因此，通過對用戶情感共軛的監(jiān)管，既能減少用戶圈層擴(kuò)散，也能降低位勢梯度。同時(shí)，通過對位勢梯度的管控，既能減少用戶圈層擴(kuò)散的負(fù)面效應(yīng)，也能降低用戶因情感共軛增大而引起情緒極化的風(fēng)險(xiǎn)。通過對突發(fā)事件中用戶情感共軛和位勢梯度的管控，可較好地實(shí)現(xiàn)降低用戶情感共軛、弱化位勢梯度、降低用戶圈層擴(kuò)散三者間的良性循環(huán)，實(shí)現(xiàn)關(guān)鍵影響因素的源頭性協(xié)同治理，從而大幅降低因用戶圈層擴(kuò)散而引發(fā)輿情失控的風(fēng)險(xiǎn)和概率。最后，由于情感共軛、位勢梯度及圈層擴(kuò)散之間相互影響效應(yīng)在不同用戶類型上存在差異，因此在突發(fā)事件圈層擴(kuò)散行為治理過程中，對用戶圈層擴(kuò)散行為可采取用戶細(xì)分差異化策略，根據(jù)不同用戶類型制定有針對性的監(jiān)控和管理措施。具體而言，在進(jìn)行情感引導(dǎo)、位勢梯度管控及圈層擴(kuò)散監(jiān)控過程中，在性別方面，應(yīng)加強(qiáng)對女性用戶的重點(diǎn)監(jiān)控;在年齡層面，重點(diǎn)加強(qiáng)對29歲及以下用戶群體的引導(dǎo)和監(jiān)管，其次為30～49歲的用戶群體;在學(xué)歷層面，重點(diǎn)加強(qiáng)對小學(xué)及以下用戶群體的引導(dǎo)和監(jiān)管，其次為中學(xué)學(xué)歷的用戶群體。

參考文獻(xiàn)

[1]郭慶光.傳播學(xué)教程（第2版）[M].北京：中國人民大學(xué)出版社，2011.

[2]王核成，魯東琴，裘懿.技術(shù)多元化對企業(yè)探索性創(chuàng)新的影響——網(wǎng)絡(luò)位勢的調(diào)節(jié)效應(yīng)[J].科技管理研究，2018，38（14）：10-18.

[3]洪俊杰，商輝.中國開放型經(jīng)濟(jì)的“共軛環(huán)流論”：理論與證據(jù)[J].中國社會科學(xué)，2019，（1）：42-64.

[4]張妍，趙堅(jiān).產(chǎn)業(yè)集聚度視角下的開發(fā)區(qū)產(chǎn)業(yè)集群效率分析——以蘭州新區(qū)為例[J/OL].統(tǒng)計(jì)與決策，2020，（12）：117-120.https：//doi.org/10.13546/j.cnki.tjyjc.2020.12.025，2020-07-16.

[5]王冬青，丁鋒.基于輔助模型的多新息廣義增廣隨機(jī)梯度算法[J].控制與決策，2008，（9）：999-1003，1010.

[6]Marin L，Hào Dinh Nho，Lesnic D.Conjugate Gradient-Boundary Element Method for the Cauchy Problem in Elasticity[J].Quarterly Journal of Mechanics & Applied Mathematics，2018，（2）：227-247.

[7]Maness，Michael.A Theory of Strong Ties，Weak Ties，and Activity Behavior[J].Transportation Research Record Journal of the Transportation Research Board，2017，2665：30-39.

[8]Dolan R J.Emotion，Cognition，and Behavior[J].Science，2002，298（5596）：1191-1194.

（責(zé)任編輯：郭沫含）