收稿日期：2020-08-07

基金項目：中國博士后科學基金第13批特別資助項目“基于情感傳播的突發(fā)事件網(wǎng)絡輿論偏差及彌合機制研究”（項目編號：2020T130521）;中國博士后科學基金第65批面上資助項目“網(wǎng)絡突發(fā)事件公眾認知偏差及引導機制”（項目編號：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、情感共軛與圈層擴散之間動態(tài)影響機制，對網(wǎng)絡空間中的信息進行分類和定級，實現(xiàn)危機信息的差異化監(jiān)控與治理。[方法/過程]本文采用向量自回歸、狀態(tài)空間模型及時間序列模型對位勢梯度、情感共軛及圈層擴散之間關系進行分析。[結果/結論]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散產(chǎn)生滯后性影響，在整個過程中呈現(xiàn)右偏態(tài)分布特征。2）位勢梯度及情感共軛對圈層擴散波動的貢獻率均較大。3）位勢梯度與情感共軛對圈層擴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、情感共軛與圈層擴散之間的相互影響效應在不同人口統(tǒng)計學群體間存在差異。

關鍵詞：圈層擴散;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? 〔文獻標識碼〕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)絡媒體的普遍使用，危機事件爆發(fā)變得越來越頻繁，從而導致危機信息迅速擴散，并形成難以遏制之勢。傳播學水紋效應模型指出，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)絡空間中，信息的傳播過程也具有該擴散效應[1]。而圈層擴散，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、文化及知識等維度存在相似性或相關性，從而導致該類群體在信息擴散過程中形成圈層化信息行為特征。針對網(wǎng)絡突發(fā)事件，在水紋傳播效應作用下，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，導致信息偏差及認知級聯(lián)行為的產(chǎn)生，進而形成信息圈層化擴散，從而導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。在復雜社會網(wǎng)絡中，以網(wǎng)絡中某節(jié)點為中心，以鄰接的節(jié)點數(shù)量為距離，可形成不同等節(jié)點距離的圈層，從而使得處于網(wǎng)絡中的用戶存在類似于物理學中的位勢梯度。針對突發(fā)事件，復雜網(wǎng)絡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散特征[2]。而共軛是指按一定規(guī)律相配的一對，在物理學中是指以某軸形成對稱的兩個物體。情感共軛則是指在復雜社會網(wǎng)絡中，用戶情感節(jié)點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知一致性是驅(qū)動心理平衡的動力，如果情感或喜好關系處于平衡狀態(tài)，則系統(tǒng)中的認知行為處于平穩(wěn)。而當情感系統(tǒng)出現(xiàn)不平衡時，則會產(chǎn)生不愉快等心理壓力，從而驅(qū)使主體產(chǎn)生設法恢復認知平衡的認知或行為。在突發(fā)事件中，情感共軛由于其情感疊加效應，可引起用戶出現(xiàn)圈層性情感失調(diào)及認知失調(diào)，從而驅(qū)使用戶產(chǎn)生恢復其平衡態(tài)的認知，進而導致用戶對事件輿論出現(xiàn)對應圈層化擴散的信息行為[3]。因此，網(wǎng)絡結構的位勢梯度與情感共軛對輿論圈層擴散具有重要影響，探索之間的影響機制對于政府部門和媒體機構在突發(fā)事件網(wǎng)絡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)絡空間位勢梯度、情感共軛與圈層擴散間的脈沖響應效應及邊際影響力如何？②變量間的脈沖響應效應及邊際影響力在不同用戶細分群體間的差異性如何？

1? 理論模型建構

首先，將位勢梯度、情感共軛及圈層擴散之間關系納入同一理論框架，建構各內(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為隨機誤差項。

在此基礎上，對VAR模型中的位勢梯度、情感共軛及圈層擴散之間脈沖響應（IRF）進行分析，其脈沖響應結構如下：

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，為了分析VAR模型中位勢梯度、情感共軛及圈層擴散變量間結構性沖擊對特定內(nèi)生變量變化貢獻率（RVC），需對脈沖進行方差分解：

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

其中，j為對應的各影響因素，其中s為q的有限項取值，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的大小，即在某一時間內(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)整檢驗后處于長期均衡關系的滯后第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)的不相關擾動項，εijt為滿足均值E（εijt）=0和協(xié)方差矩陣var（εijt）=Hijt的連續(xù)的不相關擾動項。

最后，為了探索變量間關系在不同區(qū)域的差異性，構建如下時間序列模型：

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A表示某一節(jié)點存在圈層化，B表示該節(jié)點存在信息擴散，P（B|A）則表示該節(jié)點在存在圈層化特征的情況下發(fā)生信息擴散的概率，即該節(jié)點存在圈層擴散的概率。圈層化的測量則采用動態(tài)圈層化指數(shù)，考察在一個時間段內(nèi)某節(jié)點的圈層集聚動態(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[0-t]時間段內(nèi)在j空間圈層化的動態(tài)指數(shù)，Sij（0-t）表示[0-t]時間段內(nèi)i節(jié)點在j空間的圈層化水平，Si（0-t）表示[0-t]時間段內(nèi)i節(jié)點在整個網(wǎng)絡空間的平均圈層化水平，這兩項指標均以幾何平均值計算。Pij0與Pijt分別表示i節(jié)點在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)點在整個網(wǎng)絡空間的期初與期末圈層水平值[4]?；谏鲜鋈踊綔y量及信息擴散測量，根據(jù)條件概率公式：P（B|A）=P（AB）P（A），并設B1，B2，…，Bn為樣本空間S的一個子群圈層，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），從而可以計算出節(jié)點的圈層化擴散值。

在網(wǎng)絡空間中，設網(wǎng)絡空間用戶所處時點的密度分布函數(shù)z=f（x，y）在平面區(qū)域D上具有一階連續(xù)偏導數(shù)，則對于每一個點p（x，y）都可定出一個向量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]，由于當方向I與梯度方向一致時，有cosα[gradf（x，y），e]=1。當I與梯度方向一致時，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]。

在復雜社會網(wǎng)絡中，共軛是群中的一種重要等價關系，設S、T是群G的兩個非空子集，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關于H的共軛子群;若S={s}為一個元的集合，則稱t=g-1sg為s關于H的共軛元。設S是群G的一個子集，H是G的一個子群，與S關于H共軛的所有子集組成的集合稱為S關于H的共軛類。當S={s}為一個元素的集合，s關于G的共軛類是元素的集合，就簡稱G的一個共軛類。根據(jù)定義，復數(shù)M的共軛復數(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《輿情報告》排行榜單，以其中報告的每年度輿情事件為抽樣框，根據(jù)《輿情報告》中對事件影響力指數(shù)的排名，并同時結合事件知名度、媒體報道程度、危機關注度、危機持續(xù)性、危機影響力及危機破壞力6個維度作為參考標準，選擇“2019年湖南懷化操場埋尸事件”網(wǎng)絡輿情作為本研究樣本。選擇該事件作為研究樣本的優(yōu)點在于，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，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)的分析及結論的提取;另一方面，由于該事件為近期發(fā)生，其網(wǎng)絡輿情數(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)絡爬蟲技術對樣本數(shù)據(jù)進行采集，綜合考慮突發(fā)事件樣本信息傳播過程的有效時長，確定對該樣本事件輿情的跟蹤時間為21天，在數(shù)據(jù)搜集過程中，為了數(shù)據(jù)整理和表達的方便，對所獲取的數(shù)據(jù)進行統(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)進行清洗，包括對數(shù)據(jù)一致性、重復數(shù)據(jù)、無效數(shù)據(jù)、缺失值、錯誤數(shù)據(jù)等可識別的不符合要求的數(shù)據(jù)和文件進行審查、校驗、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、邊度相關系數(shù)等，計算形成位勢梯度系數(shù)（gradt）、情感共軛系數(shù)（conju）及圈層擴散系數(shù)（diffus）3個變量的時間序列大數(shù)據(jù)。

3? 整體效應分析

3.1? VAR模型估計

在進行VAR模型構建前，需要進行Granger因果關系及穩(wěn)定性檢驗，以確定一組時間序列是否為另一組時間序列的原因，以及VAR模型在參數(shù)及結構設定上的正確性。對模型中的變量結構進行識別和檢驗，分析圈層擴散、情感共軛及位勢梯度之間是否存在顯著性Granger因果關系，以確定VAR模型結構設定是否合理。對應的Granger因果檢驗結果如表1所示。

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

在Granger因果關系檢驗的基礎上，為了進一步了解位勢梯度、情感共軛及圈層擴散之間影響的滯后時間長度，需對VAR模型進行統(tǒng)計分析和時滯長度判斷。根據(jù)LR檢驗，以及FPE、AIC、SC、HQ信息準則最小化的標準，對應的統(tǒng)計結果顯示，VAR模型的最佳時間滯后長度為2期。

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

由表2可見，VAR模型的3個方程中各項系數(shù)顯著性檢驗的值均大于0.05顯著水平對應的臨界值1.96。同時，可決系數(shù)R-squared值均大于0.80，表明所構建的VAR模型與樣本數(shù)據(jù)擬合度良好，該估計結果可用于位勢梯度、情感共軛及圈層擴散之間動態(tài)影響的相關分析。

3.2? 脈沖響應

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

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

3.3? 貢獻率分解

為了比較位勢梯度、情感共軛及圈層擴散相互擾動效應的大小，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上，分別對各因素的波動貢獻率進行方差分解。其方差分解結果如圖2所示。

由圖2可見，在圈層擴散方差分解中，在前二期圈層擴散自相關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)，位勢梯度在整個過程中對波動的貢獻率較小。對于整個過程，情感共軛對圈層擴散波動的貢獻率約為7%，圈層擴散自相關效應約為81%，位勢梯度影響效應約為12%。情感共軛自相效應對情感共軛的貢獻率約為13%，位勢梯度影響效應約為13%，圈層擴散的影響效應約為74%。位勢梯度自相關效應對位勢梯度波動的貢獻率約為12%，圈層擴散影響效應約為76%，情感共軛影響效應約為12%。

4? 邊際效應分析

4.1? 邊際影響力

在上述脈沖波動分析基礎上，為了進一步了解位勢梯度、情感共軛及圈層擴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行分析，從而揭示位勢梯度、情感共軛及圈層擴散之間影響效應的波動過程特征。其狀態(tài)空間模型分析結果如圖3～5所示。

圖3結果顯示，位勢梯度與情感共軛對圈層擴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散的邊際影響效應的均值較大，且持續(xù)的時間均較長。

圖4結果顯示，位勢梯度與圈層擴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，位勢梯度及圈層擴散對情感共軛的邊際影響效應的均值較大，且持續(xù)的時間均較長。

圖5結果顯示，圈層擴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，情感共軛及圈層擴散對位勢梯度的邊際影響效應的均值較大，且持續(xù)的時間均較長。

4.2? 群組差異性

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

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

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

從表中的橫向結果數(shù)據(jù)看，對于圈層擴散方程，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;在學歷群組上，小學及以下群組最大，中學群組較大，大學及以上群組最小。

5? 穩(wěn)健性分析

本文從替換估計方法方面考慮模型估計結果的穩(wěn)健性，在VAR模型脈沖響應分析時，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模型的變量強加一個次序，并將所有影響變量的公共因素歸結于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，即構建一個不依賴于VAR模型中變量次序的正交化的殘差矩陣。而在進行區(qū)域差異性分析時，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行估計。

在狀態(tài)空間模型中，其算法包括“Marquardt”和“BHHH”估計方法。之前采用Marquardt進行估計，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)擬合值來運算多元變量模型的殘差項的方差與協(xié)方差矩陣，并運算新的搜索方向，以獲得收斂的最佳算法。

根據(jù)分析結果，采用上述替代方法進行模型擬合，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p值均大于0.05的顯著水平，檢驗結果顯示采用替代方法估計后的各模型參數(shù)值在邏輯關系和邏輯結構上與初始所采用的指標建構的模型分析結果一致，表明上述建構的理論模型及分析結果具有良好的穩(wěn)健性。

6? 結論與啟示

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、情感共軛及圈層擴散之間動態(tài)影響，得出如下研究結論：

1）當圈層擴散、位勢梯度及情感共軛受到一個正向沖擊時，圈層擴散迅速產(chǎn)生自相關沖擊，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至圈層擴散，在整個過程中均呈現(xiàn)右偏態(tài)分布特征。其中，圈層擴散自相關影響效應最大，且較大值持續(xù)的時間最長，位勢梯度沖擊效應及情感共軛沖擊效應也均較大。情感共軛的自相關效應及圈層擴散的沖擊對情感共軛均迅速產(chǎn)生影響，且影響效應均為較大的正向波動，位勢梯度沖擊的影響并非迅速傳導至情感共軛。其中，圈層擴散及情感共軛自相關效應的影響最大，位勢梯度的沖擊均較大。圈層擴散、情感共軛及位勢梯度自相關效應對位勢梯度均迅速產(chǎn)生正向影響，且圈層擴散的影響最大，情感共軛與位勢梯度自相關效應的沖擊均較大。

2）情感共軛對圈層擴散波動的貢獻率最小，圈層擴散自相關效應最大，位勢梯度影響效應較大。情感共軛自相效應及位勢梯度對情感共軛的貢獻率較大，圈層擴散的影響效應最大。位勢梯度自相關效應及情感共軛影響效應對位勢梯度波動的貢獻率較大，圈層擴散影響效應最大。

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

4）情感共軛對圈層擴散的影響效應大于位勢梯度的影響效應，情感共軛對位勢梯度的影響效應大于圈層擴散的影響效應，位勢梯度對情感共軛的影響效應大于圈層擴散的影響效應。情感共軛及位勢梯度對圈層擴散的影響，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;在學歷群組上，小學及以下群組最大，中學群組較大，大學及以上群組最小。

針對位勢梯度對輿論圈層擴散行為具有滯后影響效應的研究結論，社會網(wǎng)絡理論指出，社會網(wǎng)絡是由諸多節(jié)點構成的一類社會結構，節(jié)點代表著個人或組織，整個社會網(wǎng)絡代表各種社會關系。而位勢梯度作為單位時間或單位距離內(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，弱關系理論指出，在人際關系較弱的社會系統(tǒng)中，人們可從廣泛的信源獲得更多樣化的信息，通過刺激個體的想法從而使創(chuàng)新更有可能，因而在弱關系群體中不易于產(chǎn)生從眾效應，其圈層擴散性也越弱。若系統(tǒng)主要由強關系成員構成，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，人們易于產(chǎn)生信息從眾心理，其圈層擴散性也越高。

針對情感共軛對輿論圈層擴散行為具有滯后影響效應的研究結論，在社會學和社會心理學中，內(nèi)群體是指一個人在心理上被識別為成員的社會群體，外群體是一個人無法識別或識別為不屬于其中成員的社會群體。如果個體相信其屬于某內(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)絡進行傳導和擴散，形成情感互動，并建立起特定情感關系的過程[8]。在突發(fā)事件網(wǎng)絡輿論中，當存在情感共軛時，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)絡動員，并形成內(nèi)群體，從而形成圈層擴散效應。而在不同等距線間，則形成不同特征的圈層結構。

該研究結論對突發(fā)事件中用戶圈層擴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散的沖擊影響效應較大，且位勢梯度對圈層擴散的邊際影響效應大于情感共軛的影響。因此，在圈層擴散行為管控及治理過程中，應重點降低因位勢梯度而引起的不準確信息的快速擴散，尤其因客觀信息披露不及時而導致用戶圈層擴散效應，從而引起小道消息的快速和廣泛流動。同時，加強用戶情感引導及情緒疏通工作，尤其在突發(fā)事件發(fā)生的初期則為情緒引導和情感擴散控制的最佳時間。通過對用戶位勢梯度、情感疏導及圈層擴散現(xiàn)象的管控，及時搶占網(wǎng)絡話語主動權，從而降低用戶認知偏差的產(chǎn)生和聚變。其次，由于情感共軛的自相關滯后效應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效應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散，也能降低位勢梯度。同時，通過對位勢梯度的管控，既能減少用戶圈層擴散的負面效應，也能降低用戶因情感共軛增大而引起情緒極化的風險。通過對突發(fā)事件中用戶情感共軛和位勢梯度的管控，可較好地實現(xiàn)降低用戶情感共軛、弱化位勢梯度、降低用戶圈層擴散三者間的良性循環(huán)，實現(xiàn)關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散而引發(fā)輿情失控的風險和概率。最后，由于情感共軛、位勢梯度及圈層擴散之間相互影響效應在不同用戶類型上存在差異，因此在突發(fā)事件圈層擴散行為治理過程中，對用戶圈層擴散行為可采取用戶細分差異化策略，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，在進行情感引導、位勢梯度管控及圈層擴散監(jiān)控過程中，在性別方面，應加強對女性用戶的重點監(jiān)控;在年齡層面，重點加強對29歲及以下用戶群體的引導和監(jiān)管，其次為30～49歲的用戶群體;在學歷層面，重點加強對小學及以下用戶群體的引導和監(jiān)管，其次為中學學歷的用戶群體。

參考文獻

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

[2]王核成，魯東琴，裘懿.技術多元化對企業(yè)探索性創(chuàng)新的影響——網(wǎng)絡位勢的調(diào)節(jié)效應[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)濟的“共軛環(huán)流論”：理論與證據(jù)[J].中國社會科學，2019，（1）：42-64.

[4]張妍，趙堅.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.

（責任編輯：郭沫含）