陽長征

（西安交通大學(xué)新聞與新媒體學(xué)院，西安 710049）

1 引 言

近年來，互聯(lián)網(wǎng)的快速發(fā)展和廣泛使用，在為公眾提供廣闊的話語空間以及自由表達(dá)的同時，也促使各類網(wǎng)絡(luò)突發(fā)事件頻發(fā)，形成難以遏制的社會輿論，并且已對社會造成了重大影響，如2020年新冠肺炎、2018年長春長生疫苗事件等。事件發(fā)生后，一方面，由于網(wǎng)絡(luò)情感傳播和信息級聯(lián)，受眾易于受到意見領(lǐng)袖、從眾心理等因素的影響，從而產(chǎn)生認(rèn)知偏差；另一方面，由于線上、線下實時互動，且把關(guān)人缺位，事件傳播過程易于產(chǎn)生信息噪音。在上述因素疊加共振的作用下，突發(fā)事件網(wǎng)絡(luò)輿論出現(xiàn)偏差，進(jìn)而對公眾心理及社會健康發(fā)展產(chǎn)生嚴(yán)重負(fù)面影響，因此，突發(fā)事件網(wǎng)絡(luò)輿論已成為了人們高度關(guān)注的社會問題。

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。當(dāng)突發(fā)事件發(fā)生后，情感傳播在公眾中可形成大規(guī)模網(wǎng)絡(luò)動員，并不斷促進(jìn)網(wǎng)民的情感共振與話語協(xié)同，影響著網(wǎng)民對事件本身的思考與解讀，從而導(dǎo)致突發(fā)事件網(wǎng)絡(luò)輿論偏差的形成和不斷放大[1]。同時，信息級聯(lián)理論指出，人們在某些情境下，傾向于認(rèn)為他人所提供的信息比自身以其他方式獲取的信息更具可信度和合理性，忽略自身所獲得信息的可靠性，從而選擇從眾性地加入該類人群，并保持與多數(shù)群體成員相一致的看法、判斷和行為，導(dǎo)致對事物的認(rèn)知產(chǎn)生偏差[2]。而差序格局理論指出，差序格局作為社會關(guān)系結(jié)構(gòu)現(xiàn)象，常發(fā)生于熟人關(guān)系、地緣關(guān)系中，在其中信息的傳播以個體為中心，像水波紋一樣推及開去。在差序格局中，每個人均以自我為中心結(jié)成網(wǎng)絡(luò)，就像將一塊石頭扔至湖中，以這塊“石頭”（即個人）為中心點，在四周形成一圈圈波紋，波紋的遠(yuǎn)近可以標(biāo)示社會關(guān)系的親疏，并隨自身所處時空的變化而產(chǎn)生不同的圈子[3]。傳播學(xué)水紋效應(yīng)模型也指出，信息傳播過程就像在平靜的湖水中扔下一顆石子，水紋會快速地向周圍產(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。同樣地，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)。針對網(wǎng)絡(luò)突發(fā)事件，人們由于無法獲得危機(jī)事件的確切信息，容易產(chǎn)生從眾效應(yīng)，導(dǎo)致信息級聯(lián)行為。由于網(wǎng)絡(luò)社會人際關(guān)系的差序格局特征以及網(wǎng)絡(luò)信息傳播的波紋效應(yīng)，在網(wǎng)絡(luò)突發(fā)事件中，人們在對信息的認(rèn)知和接受上容易形成信息差序級聯(lián)效應(yīng)，導(dǎo)致人們對事件形成輿論偏差，進(jìn)而影響社會的穩(wěn)定和健康發(fā)展。在此背景下，本文研究突發(fā)事件中網(wǎng)絡(luò)空間情感擴(kuò)散、信息差序級聯(lián)與輿論偏差間的內(nèi)生影響，并探索如下問題：①網(wǎng)絡(luò)空間中情感擴(kuò)散、信息差序級聯(lián)與輿論偏差間的脈沖響應(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？

通過對上述問題的研究，可以發(fā)現(xiàn)網(wǎng)絡(luò)空間中情感擴(kuò)散、信息差序級聯(lián)與輿論偏差之間相互影響的大小和方向，以及該影響效應(yīng)在不同時間點的動態(tài)變化特征，并能夠分離出各變量對其他變量波動的貢獻(xiàn)率，各變量間影響效應(yīng)在性別、年齡和學(xué)歷群組上呈現(xiàn)的差異。根據(jù)研究發(fā)現(xiàn)，可挖掘出我國突發(fā)事件情感擴(kuò)散、信息差序級聯(lián)和網(wǎng)絡(luò)輿論偏差的主要影響因素，制定有針對性的情感引導(dǎo)、級聯(lián)監(jiān)管和偏差糾正的具體措施，并根據(jù)不同細(xì)分群體而采用差異化監(jiān)管策略，從而提高突發(fā)事件網(wǎng)絡(luò)輿情的防控及治理效率和效果。

2 文獻(xiàn)綜述

為了深入了解網(wǎng)絡(luò)輿情形成及演化過程的影響機(jī)理，國內(nèi)外的學(xué)者們一直從不同視角對網(wǎng)絡(luò)輿情進(jìn)行探索和研究。

2.1 情感擴(kuò)散與網(wǎng)絡(luò)輿論

國內(nèi)對情感擴(kuò)散與輿論關(guān)系的研究：一部分學(xué)者從輿情傳播過程的情感變化進(jìn)行探索，如毛太田等[4]以“上海警察絆摔小孩事件”為例，收集新浪微博中的相關(guān)數(shù)據(jù)作為研究的數(shù)據(jù)支持。借助微博主題挖掘、關(guān)鍵詞提取、網(wǎng)絡(luò)信息生命周期等搜索技術(shù)和理論，通過情感分析，全面呈現(xiàn)了網(wǎng)絡(luò)熱點事件的特征。研究發(fā)現(xiàn)，新媒體時代的網(wǎng)絡(luò)熱點事件傳播速度更快，信息更新周期更短，整個生命周期都沒有經(jīng)歷明顯的“成長期”。同時，熱點事件信息本身可能是在公眾的情感沖動中被誤解和放大，還可能被惡意利用于散布虛假信息和有害信息。在信息不明確的情況下，公眾很容易受到公眾最主要觀點的影響，并且在沒有驗證的情況下做出錯誤判斷。因此，及時宣布事件的真相，并抓住信息“生態(tài)位”顯得非常必要。陳顯龍等[5]以2015年排名前十位的熱點事件為研究對象，基于微博的情感特征和傳播特性，構(gòu)建了微博場能量模型。研究結(jié)果表明，根據(jù)微博情感效價的絕對值，傳播特征的指數(shù)越高，則微博輿論的積極或消極能量越高，且微博會出現(xiàn)二次峰值。時間指數(shù)越大，微博輿論的耗散能量越大，微博客輿論能量值下降得越快。也有一部分學(xué)者從話題互動層面探討輿情演化過程中的情感傳播，如蔣曉麗等[6]基于互動儀式理論，認(rèn)為網(wǎng)絡(luò)話題是互動儀式的一種新形式。在網(wǎng)絡(luò)互動中，情感是根本力量，事件的主題通過互動儀式獲得情感能量，以分享情感內(nèi)容。事件的展開，不僅是輿論建構(gòu)的過程，也是情感激活和情感共鳴（即情感交流互動）的過程。

國外的相關(guān)研究，一部分學(xué)者從信息符合表征和信息系統(tǒng)的角度展開研究，如Buck等[7]將情感交流研究與麥克盧漢的媒體分析聯(lián)系起來，指出麥克盧漢通過電子媒體識別出的整體認(rèn)知過程，并非源于感官比例的模糊變化，而是源于符號傳播的相對作用減少，以及電子媒體自發(fā)性情感交流的作用擴(kuò)大。研究成果提供了一種替代機(jī)制，通過該機(jī)制可以理解比感官概念更能接受的“地球村”現(xiàn)象。同時，鏡像神經(jīng)元證據(jù)表明，通過視頻和音頻表示發(fā)送者的情感表現(xiàn)，聽眾可以直接理解發(fā)送者的感覺和愿望，電子媒體可促進(jìn)親社會、利他和同情的反應(yīng)，以及促進(jìn)仇恨和無情的反應(yīng)。Nabi[8]研究了情感作為信息選擇的動力，信息暴露的結(jié)果以及其他媒體效應(yīng)機(jī)制，探討了擴(kuò)展媒體和情感影響的方式，并指出情感一直是面向媒體的傳播重要部分，人們使用媒體來調(diào)節(jié)其情感狀態(tài)。Rice等[9]研究了網(wǎng)絡(luò)計算機(jī)傳播形式，指出計算機(jī)介導(dǎo)的通信系統(tǒng)可以促進(jìn)社交情感內(nèi)容的適度交換，并可支持社會情感交流。系統(tǒng)之間的交流模式具有較強(qiáng)的連接性，且網(wǎng)絡(luò)角色在社交情感內(nèi)容上的比重通常沒有差異。也有一部分學(xué)者從元認(rèn)知和信息內(nèi)容的角度展開研究，如Bartsch等[10]借助情感的評估理論，提出了一種元情感和情緒調(diào)節(jié)的過程模型，將元情感理解為一種監(jiān)視和評估情感，并激活情感的反應(yīng)過程，從而激發(fā)維持和產(chǎn)生情感以及控制或避免情感的動機(jī)。這種元情感過程在媒體用戶選擇或拒絕特定媒體產(chǎn)品方面，以及在邀請其體驗情感方面起著重要作用。該框架可整合先前不相關(guān)的情緒，并在指導(dǎo)媒體選擇使用中發(fā)揮重要作用。Stepanov等[11]發(fā)現(xiàn)，基于所確定的情感陳述，有助于確定用戶的情緒狀態(tài)的對話，以便推薦如電影、視頻、數(shù)字書或其他媒體內(nèi)容作為用戶的選擇內(nèi)容。用戶可基于由媒體內(nèi)容引起的情緒來對媒體內(nèi)容進(jìn)行評級，這些內(nèi)容包括表情符號、文本消息等，并可以使用這些表情或文本來傳達(dá)由媒體內(nèi)容引起的情緒。Derks等[12]指出，有人認(rèn)為在計算機(jī)介導(dǎo)的交流（computer-mediated communication，CMC）過程中，情感交流比在面對面（face to face，F(xiàn)2F）交流中困難得多。但通過對離散情緒和情緒表達(dá)以及自我披露或情緒風(fēng)格的研究，發(fā)現(xiàn)沒有證據(jù)表明CMC中比F2F中的情緒傳播較低或個人參與程度較低。相反地，CMC中的情感交流比F2F更頻繁、更明確。

2.2 信息級聯(lián)與網(wǎng)絡(luò)輿論

關(guān)于信息級聯(lián)與網(wǎng)絡(luò)輿論關(guān)系的研究，國內(nèi)關(guān)于信息級聯(lián)的研究，主要集中于信息級聯(lián)的影響因素和影響路徑而展開，如劉啟華等[13]對在線購物環(huán)境下的信息級聯(lián)進(jìn)行了實證研究，獲得了信息級聯(lián)和在線口碑對產(chǎn)品銷售影響的混合結(jié)果。董健等[14]通過捕獲社交網(wǎng)絡(luò)數(shù)據(jù)，發(fā)現(xiàn)信息級聯(lián)大小分布遵循胖尾分布，信息的吸引力和影響力對級聯(lián)大小分布具有重要影響。蔡國永等[15]通過對新浪微博的分析，將信息傳播的級聯(lián)模型引入標(biāo)記傳播樹（la‐beled propagation tree，LPT），構(gòu)建了一種“標(biāo)簽級聯(lián)傳播樹（labeled cascad propagation tree，CALPT）”的信息級聯(lián)模型。鄧衛(wèi)華等[16]研究了一個新浪虛擬社區(qū)中負(fù)面信息的從眾行為，研究結(jié)果表明，負(fù)面信息的擴(kuò)散會受到用戶在其中形成級聯(lián)的深度和廣度的影響。

國外相關(guān)研究，一部分學(xué)者對其影響因素進(jìn)行探索，如Lin等[17]分析了什么可能導(dǎo)致股票市場中信息級聯(lián)通常的原因，研究表明，信息級聯(lián)可能更多地與投資者的內(nèi)在搜索成本結(jié)構(gòu)有關(guān)，而不是與信息相關(guān)的因素有關(guān)。Anderson等[18]通過級聯(lián)實驗檢驗了從個人接收不完全信息，并按順序進(jìn)行公共決策，會導(dǎo)致行為的一致性。也有學(xué)者從信息級聯(lián)的過程進(jìn)行研究，如Kaneko[19]在混沌網(wǎng)絡(luò)中研究了信息級聯(lián)的過程。研究結(jié)果表明，在部分有序的狀態(tài)下，簇的分裂和級聯(lián)是同步平衡的，并在分叉參數(shù)的間隔內(nèi)保持了邊際穩(wěn)定性。Romero等[20]調(diào)查了民意測試差異是否歸因于信息級聯(lián)效應(yīng)，即后來的受訪者采用了先前受訪者的決策，表明在事件安排期間會發(fā)生級聯(lián)效應(yīng)。Tinati等[21]根據(jù)作者的編輯活動，回答和識別了與使用Wikipedia文章信息級聯(lián)有關(guān)的問題，發(fā)現(xiàn)可以通過使用編輯活動在Wikipedia文章之間構(gòu)建信息級聯(lián)。另外，有一些學(xué)者則對信息級聯(lián)的形成機(jī)理和演化機(jī)制進(jìn)行探索，如Kim等[22]探討了中心性對社交網(wǎng)絡(luò)決策的社會影響，以及中心性如何導(dǎo)致市場中信息級聯(lián)的行為，發(fā)現(xiàn)特征向量中心性與行為者信息級聯(lián)在統(tǒng)計上存在顯著相關(guān)，并指出在擴(kuò)散初期，中心性的錯誤決策會嚴(yán)重導(dǎo)致的信息級聯(lián)。在級聯(lián)過程中，中心性的橋梁作用比其在關(guān)鍵位置的作用更具影響力。Li等[23]指出，在網(wǎng)絡(luò)中只有一小部分信息趨向于變得非常流行，而其余信息仍然未被注意或迅速消失。這種典型的“長尾”現(xiàn)象在社交媒體中非常普遍，該現(xiàn)象即受到信息級聯(lián)的影響。Eftekhar等[24]針對基于組的問題建構(gòu)了一種精細(xì)的信息傳播模型，形成了一種在該模型下具有影響力的組的算法以及一個粗粒度模型。Tong等[25]討論了兩種用戶在城市范圍內(nèi)活動的信息決策，分析了級聯(lián)子圖的規(guī)模和范圍、級聯(lián)子圖的結(jié)構(gòu)特征、擴(kuò)展樹的拓?fù)鋵傩院图壜?lián)子圖的出現(xiàn)頻率，并提出了一種新的信息傳播模型。

綜上所述，一方面，過去研究主要集中于情感傳播、信息級聯(lián)和網(wǎng)絡(luò)輿論的兩兩變量之間關(guān)系的分析，尚未存在將三個變量置于同一理論框架下，作為系統(tǒng)結(jié)構(gòu)進(jìn)行模型建構(gòu)和分析。然而，情感傳播、信息級聯(lián)和網(wǎng)絡(luò)輿論作為密切關(guān)聯(lián)且具有內(nèi)生性的變量，若兩兩變量進(jìn)行單獨分析或與其他變量建立不同的系統(tǒng)結(jié)構(gòu)模型，進(jìn)行分析所獲得的結(jié)果可能存在較大差異。同時，針對網(wǎng)絡(luò)突發(fā)事件，人們由于無法獲得危機(jī)事件的確切信息，容易產(chǎn)生從眾效應(yīng)，導(dǎo)致信息級聯(lián)行為。而由于網(wǎng)絡(luò)社會人際關(guān)系的差序格局特征和網(wǎng)絡(luò)信息傳播的波紋效應(yīng)，在網(wǎng)絡(luò)突發(fā)事件中，人們在對信息的認(rèn)知和接受上容易形成差序級聯(lián)效應(yīng)，導(dǎo)致人們對事件形成輿論偏差。因此，本文創(chuàng)新性提出了“信息差序級聯(lián)”概念，并用于分析其在輿論偏差中的影響效應(yīng)。另一方面，過去雖有關(guān)于變量間影響效應(yīng)大小的研究，但尚未涉及對變量間的邊際影響力進(jìn)行更細(xì)致的分析，而通過邊際效應(yīng)的分析可以尋找到情感引導(dǎo)、級聯(lián)監(jiān)控和偏差糾正的最佳“投入-產(chǎn)出”效率的監(jiān)管策略。基于此，本文將情感傳播、信息差序級聯(lián)和網(wǎng)絡(luò)輿論置于同一理論框架下，作為系統(tǒng)結(jié)構(gòu)進(jìn)行模型建構(gòu)，采用向量自回歸和狀態(tài)空間方法，分析內(nèi)生變量間的脈沖響應(yīng)和邊際影響力，并借助面板數(shù)據(jù)模型分析各變量間影響效應(yīng)在不同人口統(tǒng)計學(xué)群體間的差異性。

3 變量說明與數(shù)據(jù)收集

3.1 變量說明

輿論偏差：是指人們在認(rèn)知自我、他人或外部環(huán)境時，常因自身或情境的因素，使得認(rèn)知結(jié)果與客觀真實出現(xiàn)偏差的失真現(xiàn)象?；凇扒楦性~典+語義規(guī)則+機(jī)器學(xué)習(xí)”模式，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)CNN（convolutional neural networks）模型，對突發(fā)事件網(wǎng)絡(luò)輿論中的情感及認(rèn)知等字符和圖像進(jìn)行識別、提取、分類，采用Fisher判別準(zhǔn)則進(jìn)行降維，并標(biāo)注生成輿論偏差序列。運用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN（recurrent neural network）模型及貝葉斯神經(jīng)網(wǎng)絡(luò)，對網(wǎng)絡(luò)輿論中的認(rèn)知詞匯進(jìn)行擴(kuò)展計算和深度學(xué)習(xí)，并對數(shù)據(jù)進(jìn)行訓(xùn)練和測試，計算即時輿論客觀度權(quán)重、事后輿論客觀值和輿論偏差系數(shù)。對于某一時間節(jié)點i，采用ei=|p i-p|對輿論偏差進(jìn)行測量，其中ei表示輿論偏差；p i代表即時輿論客觀度權(quán)重；p代表事后輿論客觀值。對于事件整體輿論偏差，采用標(biāo)準(zhǔn)差公式

對其進(jìn)行計算，其中，N代表時間節(jié)點總數(shù)[26]。

情感擴(kuò)散：是指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?；凇扒楦性~典+語義規(guī)則+機(jī)器學(xué)習(xí)”模式，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)CNN模型突發(fā)事件網(wǎng)絡(luò)輿論中的情感字符和圖像進(jìn)行識別、提取、分類，采用Fisher判別準(zhǔn)則進(jìn)行降維，并標(biāo)注生成情感序列。運用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型和貝葉斯神經(jīng)網(wǎng)絡(luò)，對網(wǎng)絡(luò)輿論中的情感詞匯和認(rèn)知詞匯進(jìn)行擴(kuò)展計算和深度學(xué)習(xí)，并對數(shù)據(jù)進(jìn)行訓(xùn)練和測試，計算情感字符權(quán)重、情感粒度、中值價值率及輿論偏差系數(shù)。根據(jù)傳染病SIRS（susceptible-infec‐tious-recovered-susceptible）模型，采用f(e)=測量總體概率密度函數(shù)的擴(kuò)散概率，其中，μ(x)為定義在(-∞,+∞)上的一個波雷爾可測函數(shù)，即情感擴(kuò)散函數(shù)，c為大于0的常數(shù)，即窗寬；e代表可能出現(xiàn)的任一觀測值[27]。根據(jù)分子擴(kuò)散思想[28]，正態(tài)擴(kuò)散函數(shù)為μ(x)=并將該擴(kuò)散函數(shù)代入f(e)函數(shù)中，可得母體概率密度函數(shù)f(e)正態(tài)擴(kuò)散估計，即

其中，h為經(jīng)驗窗寬，其值可根據(jù)擇近原則導(dǎo)出。

差序級聯(lián)：是指在網(wǎng)絡(luò)差序格局中，用戶認(rèn)為他人所提供的信息比自身以其他方式獲取的信息更具可信度和合理性，并忽略了自身所獲得信息的可靠性，從而從眾性地加入該類人群，并與所參照群體的認(rèn)知保持一致[29]。差序級聯(lián)的形成通常包括兩步過程：首先，個人須處于決策性狀態(tài)，且多為非此即彼的二維決策情境；其次，可通過觀察他人行為或類似情景中的他人行為結(jié)果等外部因素來影響該決策。該過程的形成包括五個基本部分：①需做出決策；②存在非此即彼的有限決策空間；③人們按順序做出決定，個體均可以觀察早期行動者的選擇；④個體均能獲取自己所需的某些信息，有助于指導(dǎo)自身決策；⑤個體不能直接觀察他人掌握的外部信息，但可從其所做的事情中推斷出相關(guān)信息。在突發(fā)事件中，信息的轉(zhuǎn)發(fā)與評論行為是用戶在網(wǎng)絡(luò)輿論中產(chǎn)生差序級聯(lián)呈現(xiàn)的主要方式。針對某一時間節(jié)點，根據(jù)信息概率論理論，采用c=對差序級聯(lián)進(jìn)行計算，其中，p(A∪B)表示當(dāng)評論或轉(zhuǎn)發(fā)發(fā)生時的概率，當(dāng)評論或轉(zhuǎn)發(fā)時，取值為1；否則，為0。m為評論的次序級聯(lián)概率；p為評論的內(nèi)容級聯(lián)概率；n為轉(zhuǎn)發(fā)的次序級聯(lián)概率；z為轉(zhuǎn)發(fā)的內(nèi)容級聯(lián)概率。針對整個事件的差序級聯(lián)系數(shù)，采用條件概率

其中，p(A|B)表示差序級聯(lián)發(fā)生的情況下差序級聯(lián)行為的概率[30]。

3.2 數(shù)據(jù)收集

3.2.1 樣本選取

通過對我國于2015—2020年所發(fā)生的突發(fā)事件進(jìn)行梳理和分析，以知名度、媒體報道程度、危機(jī)關(guān)注度、危機(jī)持續(xù)性、危機(jī)影響力以及危機(jī)破壞力6個維度作為選擇標(biāo)準(zhǔn)[31]，結(jié)合中央編辦國家事業(yè)單位“輿情戰(zhàn)略研究中心”歷年發(fā)布的典型突發(fā)事件進(jìn)行綜合考量，最終確定選擇11個具有代表性的突發(fā)事件，該樣本涵蓋了衛(wèi)生、檢法、汽車、交通、藥品、幼兒、餐飲、醫(yī)療、酒店和教育等大多數(shù)領(lǐng)域。一方面，由于所選突發(fā)事件的綜合影響力較大，且均為人們?nèi)粘Ｉ钏佑|，所涉及的領(lǐng)域均為公眾所熟悉，并與公眾具有較高關(guān)聯(lián)性，因此，公眾在事件輿論上的參與程度整體上相對較高，從而提高數(shù)據(jù)獲取的效率及數(shù)據(jù)的有效性。另一方面，由于所選突發(fā)事件具有不同的性質(zhì)，涉及教育、衛(wèi)生和安全等不同主題，而不同主題的突發(fā)事件在輿論演化生命周期上存在一定差異。例如，有的突發(fā)事件輿論演化周期較短，有的突發(fā)事件輿論演化周期較長。為了保障數(shù)據(jù)獲取時間長度的有效性，保證不同主題和不同性質(zhì)的突發(fā)事件，在不同時間節(jié)點基本處于同一輿論階段或同一生命周期，故在樣本選取過程時，考慮了事件性質(zhì)、事件重要性、涉及面等維度，并側(cè)重于具有“特定”性質(zhì)的突發(fā)事件，而不將具有“長期性”社會問題的事件納入其中，其目的是保證事件輿情的發(fā)展、高潮和衰退周期長度的差異性較小，并降低數(shù)據(jù)有效時長出現(xiàn)嚴(yán)重差異化與輿情周期的嚴(yán)重不齊。其樣本分布特征如表1所示。

3.2.2 數(shù)據(jù)獲取

社交媒體的快速發(fā)展和應(yīng)用，已使其成了人們進(jìn)行信息獲取和傳播的重要途徑，也成為了公眾獲取和擴(kuò)散突發(fā)事件信息的重要方式和主要途徑，因此，本文選取社交媒體作為突發(fā)事件網(wǎng)絡(luò)輿論信息的獲取平臺。微博是當(dāng)前主要的社交媒體平臺，其數(shù)據(jù)的開放性和獲取性相對其他社交媒體平臺更為可行。國內(nèi)較為成熟的微博平臺主要有新浪微博、網(wǎng)易微博、搜狐微博以及騰訊微博。其中，新浪微博是當(dāng)前運營最成功，使用規(guī)模、訪問量、注冊數(shù)和使用率均為最大的微博平臺。中國互聯(lián)網(wǎng)絡(luò)信息中心（China Internet Network Information Center,CNNIC）發(fā)布的第44次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》（http://www.cac.gov.cn/2019-08/30/c_1124938750.htm）顯示，自2013年開始，搜狐、網(wǎng)易、騰訊等公司對微博投入力度陸續(xù)減少，微博整體市場進(jìn)入洗牌期。截至2015年6月，微博市場品牌競爭格局已經(jīng)明朗，用戶逐漸向新浪微博遷移和集中。其中，新浪微博用戶占69.4%，一至五級城市的新浪微博使用率均在65%以上，全面超越其他微博運營商，新浪微博一家獨大的格局已經(jīng)基本確立和穩(wěn)定。同時，根據(jù)2019年3月15日新浪微博數(shù)據(jù)中心發(fā)布的《2018微博用戶發(fā)展報告》（https://data.weibo.com/re‐port/reportDetail?id=433），2018年第四季度財報顯示，新浪微博月活躍用戶4.62億，連續(xù)3年增長超過7000萬；微博垂直領(lǐng)域數(shù)量擴(kuò)大至60個，月閱讀量過百億的領(lǐng)域達(dá)32個。因此，本研究選取新浪微博作為微博平臺樣本，能夠較好地代表社交信息平臺的特征和屬性。

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，在其數(shù)據(jù)抓取過程中，首先需要將站點中某一組需要訪問的URL（uniform resource locator，統(tǒng)一資源定位符）設(shè)置為爬行起始地址，采用廣度優(yōu)先爬行策略對每個URL指向的頁面信息進(jìn)行抓取，并對頁面中的內(nèi)容進(jìn)行解析，然后繼續(xù)抽取下一個鏈接的URL進(jìn)行頁面爬取和解析，依次反復(fù)爬行，直至程序運行結(jié)束，從而實現(xiàn)對網(wǎng)絡(luò)平臺的相關(guān)頁面信息進(jìn)行抓取。

綜合考慮各突發(fā)事件樣本信息傳播過程的有效時長，確定對各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(dá)的方便，對所獲取的數(shù)據(jù)進(jìn)行統(tǒng)一編號處理，對每一位用戶及其轉(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、糾正和處理。經(jīng)過數(shù)據(jù)清洗后，共獲得有效數(shù)據(jù)54793條，根據(jù)所爬取字節(jié)和內(nèi)容進(jìn)行識別、分析、提取和賦值，并計算形成包含情感擴(kuò)散系數(shù)、信息差序級聯(lián)系數(shù)以及輿論偏差系數(shù)三個變量的面板大數(shù)據(jù)。最后，形成兩個數(shù)據(jù)集，即數(shù)據(jù)集1和數(shù)據(jù)集2。數(shù)據(jù)集1為所采集用戶的具體資料信息，主要包含如下變量：用戶ID、昵稱、所在地、性別、創(chuàng)建時間、認(rèn)證狀態(tài)；數(shù)據(jù)集2為所采集用戶的轉(zhuǎn)發(fā)及內(nèi)容、評論及內(nèi)容、信息時間距離等數(shù)據(jù)資料，主要包含如下變量：YID（用戶ID）、WID（微博ID）、ZF（是否轉(zhuǎn)發(fā)）、PL（是否評論）、ZS（轉(zhuǎn)發(fā)時間）、PS（評論時間）、SJ（信息時間距離）、PN（評論內(nèi)容）、ZN（轉(zhuǎn)發(fā)內(nèi)容）、KS（情感擴(kuò)散系數(shù)）、JL（差序級聯(lián)系數(shù)）、PC（輿論偏差系數(shù)）。

表1 突發(fā)事件樣本分布特征

4 模型構(gòu)建

向量自回歸模型（vector autoregression，VAR）是用于對多維時間序列中的一變量對另一變量動態(tài)影響分析的一種時滯性方法，是以每個變量的滯后項作為其他變量函數(shù)的自變量來建立模型，從而實現(xiàn)對變量間的相互擾動分析。在進(jìn)行VAR模型構(gòu)建前，需要進(jìn)行Granger因果關(guān)系和穩(wěn)定性的檢驗，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(jié)構(gòu)設(shè)定上的正確性。

4.1 因果關(guān)系檢驗

對模型中的變量結(jié)構(gòu)進(jìn)行識別和檢驗，分析輿論偏差、情感擴(kuò)散和信息差序級聯(lián)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因果檢驗結(jié)果如表2所示。

表2 Granger因果關(guān)系檢驗

由表2可見，在輿論偏差、情感擴(kuò)散和信息差序級聯(lián)的因果關(guān)系排除檢驗中，各變量及兩兩變量聯(lián)合項的χ2檢驗對應(yīng)的p值均小于0.05的顯著水平，這表明可以拒絕不存在因果關(guān)系的原假設(shè)，即輿論偏差、情感擴(kuò)散和信息差序級聯(lián)間存在Grang‐er關(guān)系。因此，在VAR模型構(gòu)建中將輿論偏差、情感擴(kuò)散和信息差序級聯(lián)作為內(nèi)生變量的變量設(shè)置合理有效。

4.2 VAR模型構(gòu)建

在Granger因果關(guān)系檢驗的基礎(chǔ)上，為了進(jìn)一步了解信息差序級聯(lián)、情感擴(kuò)散和輿論偏差之間影響的滯后時間長度，需對VAR模型進(jìn)行統(tǒng)計分析和時滯長度判斷。對應(yīng)的統(tǒng)計結(jié)果如表3所示。

表3 時滯長度選擇標(biāo)準(zhǔn)

根據(jù)LR（likelihood ratio）檢驗，以及FPE、AIC、SC、HQ信息準(zhǔn)則最小化的標(biāo)準(zhǔn)，由表3可知，VAR模型的最佳時間滯后長度為2期。在上述因果關(guān)系檢驗和時滯特征分析基礎(chǔ)上，對VAR模型進(jìn)行設(shè)定和估計。其對應(yīng)的模型形式為

其中，opinion為輿論偏差；emotion為情感擴(kuò)散；infocascade為信息差序級聯(lián)；k為內(nèi)生變量滯后階數(shù)；εi為隨機(jī)誤差項。

為了確定VAR模型構(gòu)建和設(shè)定的正確性，需對構(gòu)建的模型進(jìn)行穩(wěn)定性檢驗。該模型的單根穩(wěn)定性檢驗結(jié)果顯示，代表AR特征根倒數(shù)的模的點均落在單位圓內(nèi)，這表明所構(gòu)建的模型均滿足穩(wěn)定性條件，說明所設(shè)置的模型均正確，不需要重新構(gòu)建。

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，其結(jié)果如表4所示。

表4 VAR模型參數(shù)估計結(jié)果

由表4可知，VAR模型的3個方程中，各項系數(shù)顯著性檢驗的|t|值均大于0.05顯著水平對應(yīng)的臨界值1.96。同時，可決系數(shù)R2值均大于0.90，這表明所構(gòu)建的VAR模型與樣本數(shù)據(jù)擬合度良好，該估計結(jié)果可用于情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間動態(tài)影響的相關(guān)分析。

5 脈沖響應(yīng)和波動分解

脈沖響應(yīng)函數(shù)（impulse response function，IRF）是用來分析VAR模型的一種方法，也是VAR模型的重要組成部分，可分析VAR模型中各變量間受到外界沖擊時，其他內(nèi)生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)的動態(tài)過程等內(nèi)容。

5.1 脈沖響應(yīng)分析

為了揭示情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間的動態(tài)擾動特征，在VAR模型估計基礎(chǔ)上，分別對情感擴(kuò)散、信息差序級聯(lián)和輿論偏差進(jìn)行脈沖響應(yīng)分析。此處采用殘差協(xié)方差矩陣的Cholesky因子的逆來正交化進(jìn)行估計，其函數(shù)形式為

其中，q=0,1,2,…；t=1,2,…,T；σvariable,jj=

由圖1可知，在第一行脈沖圖中，當(dāng)情感擴(kuò)散、信息差序級聯(lián)與輿論偏差受到一個正向沖擊時，該沖擊迅速傳導(dǎo)至輿論偏差，在三至四期后其響應(yīng)值達(dá)到最大，且均為正值。情感擴(kuò)散、信息差序級聯(lián)和輿論偏差每次沖擊帶來的影響，在滯后第二期至第六期之間的影響效應(yīng)較大，其后呈逐漸減弱趨勢。在第二行脈沖圖中，當(dāng)情感擴(kuò)散、信息差序級聯(lián)和輿論偏差受到一個正向沖擊時，信息差序級聯(lián)和輿論偏差對情感擴(kuò)散在滯后第二期及第十期內(nèi)的影響效應(yīng)較大，其后呈快速減弱。在第三行脈沖圖中，當(dāng)情感擴(kuò)散、信息差序級聯(lián)和輿論偏差受到一個正向沖擊時，情感擴(kuò)散的沖擊和信息差序級聯(lián)的自相關(guān)影響迅速對信息差序級聯(lián)產(chǎn)生正向影響，且影響效應(yīng)均較大。信息差序級聯(lián)自相關(guān)滯后效應(yīng)在滯后八期內(nèi)的影響較大，其后快速減弱，并趨于零值。

圖1 脈沖響應(yīng)分析

5.2 波動貢獻(xiàn)率分解

方差分解（variance decomposition）作為VAR模型中的重要組成部分，是用于分析VAR模型中某些相關(guān)內(nèi)生變量的結(jié)構(gòu)性沖擊對特定內(nèi)生變量變化貢獻(xiàn)率的一種有效方法。為了比較情感擴(kuò)散、信息差序級聯(lián)和輿論偏差相互擾動效應(yīng)的大小，從而識別出不同影響因素對情感擴(kuò)散、信息差序級聯(lián)和輿論偏差影響的重要程度，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。情感擴(kuò)散、信息差序級聯(lián)和輿論偏差對應(yīng)的相對方差貢獻(xiàn)率（relative variance con‐tribution，RVC）算式為

由圖2可知，在輿論偏差方差分解中，在前四期輿情偏差自相關(guān)的影響較大且快速下降，情感擴(kuò)散和信息差序級聯(lián)的影響相對較小且快速上升，各變量影響大小于滯后四期后均趨向平穩(wěn)。情感擴(kuò)散貢獻(xiàn)率約為55%，信息差序級聯(lián)貢獻(xiàn)率約為38%，而輿論偏差自相關(guān)影響效應(yīng)約為7%。在信息差序級聯(lián)方差分解中，在前六期信息差序級聯(lián)自相關(guān)的影響較大且快速下降，情感擴(kuò)散和輿論偏差的影響相對較小且快速上升，各變量影響大小于滯后六期后均趨向平穩(wěn)。情感擴(kuò)散的貢獻(xiàn)率約為62%，輿論偏差的貢獻(xiàn)率約為22%，而信息差序級聯(lián)自相關(guān)影響效應(yīng)約為16%。在情感擴(kuò)散方差分解中，在前五期情感擴(kuò)散自相關(guān)的影響較大且快速下降，輿論偏差和信息差序級聯(lián)的影響相對較小且快速上升，各變量影響大小于滯后五期后均趨向平穩(wěn)。信息差序級聯(lián)的貢獻(xiàn)率約為53%，情感擴(kuò)散自相關(guān)影響效應(yīng)的貢獻(xiàn)率約為28%，而輿論偏差約為19%。

6 影響力及群組分析

6.1 邊際影響力

狀態(tài)空間模型（state space model，SSM）是一類動態(tài)時域模型，是用于分析系統(tǒng)中各自變量每一單位數(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)變化的過程，在數(shù)據(jù)分析層面和維度上則是對VAR模型的深化和補充，可實現(xiàn)變量間影響效應(yīng)的單位性分解。在上述脈沖波動分析基礎(chǔ)上，為了進(jìn)一步了解情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間的邊際影響力，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，揭示情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間影響效應(yīng)的波動過程特征。其對應(yīng)的模型形式為

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(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)不相關(guān)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)不相關(guān)擾動項。其狀態(tài)空間模型分析結(jié)果如圖3～圖5所示。

圖2 方差分解分析

圖3 輿論偏差邊際影響分析

圖4 信息差序級聯(lián)邊際影響分析

圖5 情感擴(kuò)散邊際影響分析

圖3結(jié)果顯示，情感擴(kuò)散對輿論偏差系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.3，當(dāng)波動上升至第六期，邊際影響力達(dá)到最大值約0.71，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續(xù)緩慢下降并趨向于零值。信息差序級聯(lián)對輿論偏差系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.17，當(dāng)波動上升至第六期邊際影響力達(dá)到最大值約0.38，隨后緩慢下降至第十五期邊際影響力為0.1，接著持續(xù)緩慢下降并趨向于零值。

圖4結(jié)果顯示，情感擴(kuò)散對信息差序級聯(lián)系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.28，當(dāng)波動上升至第七期邊際影響力達(dá)到最大值約0.57，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續(xù)緩慢下降并趨向于零值。輿論偏差對信息差序級聯(lián)系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.26，當(dāng)波動上升至第三期邊際影響力達(dá)到最大值約0.48，隨后緩慢下降至第十四期邊際影響力為0.1，接著持續(xù)緩慢下降并趨向于零值。

圖5結(jié)果顯示，輿論偏差對情感級聯(lián)系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.13，當(dāng)快速上升到第二期至第六期邊際影響力達(dá)到最大值約0.49，隨后緩慢下降至第十三期邊際影響力為0.1，接著持續(xù)緩慢下降并趨向于零值。信息差序級聯(lián)對情感擴(kuò)散系數(shù)的邊際影響力在事件發(fā)生的第一天約為0.4，當(dāng)波動上升至第六期邊際影響力達(dá)到最大值約0.6，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續(xù)緩慢下降并趨向于零值。

6.2 群組分析

前文已對情感擴(kuò)散、信息差序級聯(lián)和輿論偏差間的脈沖響應(yīng)與邊際影響力進(jìn)行分析，該分析主要從整體上探索各變量間的動態(tài)影響。然而，由于各類用戶群體在社會角色與認(rèn)知心理上的差異，導(dǎo)致不同性別、年齡和學(xué)歷的群體在情感擴(kuò)散、信息差序級聯(lián)及輿論偏差之間的影響效應(yīng)上存在差異。而面板數(shù)據(jù)模型分析作為時間序列與截面混合的數(shù)據(jù)分析方法，可進(jìn)行時間維度差異及截面維度差異的詳細(xì)分析，在數(shù)據(jù)分析維度上與VAR模型和SSM模型相互補充、相互深化，通過與VAR和SSM模型相結(jié)合對數(shù)據(jù)分析，可實現(xiàn)對數(shù)據(jù)在時間和截面維度上的全方位分析與比較。因此，為了探索不同用戶群體間的差異性，采用面板數(shù)據(jù)模型對數(shù)據(jù)進(jìn)行擬合和分析，對應(yīng)模型為

統(tǒng)計值，并查閱F分布表，結(jié)果如表4所示。在opinion方程中，F(xiàn)2>F2臨界值，且F1

使用Eviews 10.0計量軟件對模型進(jìn)行擬合，其擬合結(jié)果如表5所示。

從表5中的縱向結(jié)果數(shù)據(jù)來看，根據(jù)各變量系數(shù)大小，對于輿論偏差方程，情感擴(kuò)散變量的系數(shù)β1值呈現(xiàn)出大于信息差序級聯(lián)變量對應(yīng)的系數(shù)γ1值。對于信息差序級聯(lián)方程，情感擴(kuò)散變量的系數(shù)β2值呈現(xiàn)出大于輿論偏差變量對應(yīng)的系數(shù)γ2值。對于情感擴(kuò)散方程，信息差序級聯(lián)變量的系數(shù)β3值呈現(xiàn)出大于輿論偏差變量對應(yīng)的系數(shù)γ3值。

從表5中的橫向結(jié)果數(shù)據(jù)來看，對于輿論偏差方程，根據(jù)各變量系數(shù)大小，通過比較情感擴(kuò)散變量的系數(shù)β1值及信息差序級聯(lián)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??；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。

對于信息差序級聯(lián)方程，對于情感擴(kuò)散變量系數(shù)β2值，結(jié)果顯示：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。但對于輿論偏差變量系數(shù)γ2值，在性別群組上，男性大于女性；在年齡群組上，50歲及以上群組最大，30～49歲群組較大，29歲及以下群組最?。辉趯W(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。

表5 群組面板模型擬合結(jié)果

為了保障群組差異分析結(jié)果的有效性，在上述群組分析基礎(chǔ)上，需對各對應(yīng)系數(shù)在不同群組間的差異性進(jìn)行檢驗。其檢驗結(jié)果如表6所示。

表6 系數(shù)差異性檢驗

表6的系數(shù)差異性檢驗結(jié)果顯示，輿論偏差、信息差序級聯(lián)和情感擴(kuò)散各方程在性別、年齡及學(xué)歷群組上各對應(yīng)系數(shù)的F檢驗結(jié)果在0.05水平下均顯著，則拒絕“各組內(nèi)相應(yīng)系數(shù)相等”的原假設(shè)，表明輿論偏差、信息差序級聯(lián)和情感擴(kuò)散方程在性別、年齡及學(xué)歷群組內(nèi)各系數(shù)值不相等，即在群組內(nèi)部的不同群體間存在顯著性差異，表明上述相關(guān)群組分析結(jié)果有效。

7 穩(wěn)健性分析

本文從替換估計方法方面考慮模型估計結(jié)果的穩(wěn)健性，在VAR模型脈沖響應(yīng)分析時，前文采用了殘差協(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?，F(xiàn)采用廣義脈沖方法，即構(gòu)建一個不依賴于VAR模型中變量次序的正交化的殘差矩陣。在進(jìn)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面板模型進(jìn)行估計。

在狀態(tài)空間模型中，其算法包括“Marquardt”和“BHHH（Brendt-Hall-Hall-Hausman）”估計方法。前文采用Marquardt進(jìn)行估計，可以提供數(shù)值非線性最小化解決方案。該算法通過改變在執(zhí)行過程中的參數(shù)，兼顧了Gauss-Newton和梯度下降法的優(yōu)勢，并改善了兩者的缺點，如Gauss-Newton法的逆矩陣不存在或初始值與局部最小值相差太遠(yuǎn)?，F(xiàn)采用BHHH算法，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，以確定是否滿足收斂的約束要求。若滿足終止條件，則可獲得參數(shù)的最佳估計；反之，則重新探尋步長λ和新的參數(shù)值β，并進(jìn)行重新計算，以獲得收斂的最佳算法。

采用上述替代方法進(jìn)行模型擬合，考查模型擬合后各指標(biāo)的顯著性和各參數(shù)對應(yīng)的擬合值，通過對比分析發(fā)現(xiàn)，采用替代方法估計后的各模型參數(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。

8 結(jié)論與啟示

通過2015—2020年發(fā)生的具有代表性的11個突發(fā)事件面板大數(shù)據(jù)，探索了情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間動態(tài)影響，得出如下研究結(jié)論。

（1）當(dāng)情感擴(kuò)散、信息差序級聯(lián)和輿論偏差受到一個正向沖擊時，該沖擊迅速傳導(dǎo)至輿論偏差，輿論偏差的自相關(guān)滯后影響效應(yīng)最大，情感擴(kuò)散和信息差序級聯(lián)對輿論偏差的沖擊影響效應(yīng)也較大，且情感擴(kuò)散的影響大于信息差序級聯(lián)的影響。情感擴(kuò)散的自相關(guān)滯后效應(yīng)和信息差序級聯(lián)的沖擊對情感擴(kuò)散迅速產(chǎn)生影響，情感擴(kuò)散的自相關(guān)滯后效應(yīng)尤為明顯。情感擴(kuò)散的自相關(guān)滯后影響效應(yīng)持續(xù)的時間較長，在事件輿論的整個演化過程中，其影響效應(yīng)均較大。來自情感擴(kuò)散和信息差序級聯(lián)自相關(guān)效應(yīng)的沖擊會迅速對信息差序級聯(lián)產(chǎn)生正向影響，且影響效應(yīng)均較大，而輿論偏差沖擊對信息差序級聯(lián)的影響相對較弱，沖擊效應(yīng)不明顯。其中，情感擴(kuò)散沖擊的影響尤為明顯，且伴隨著整個輿論演化過程。

關(guān)于信息差序級聯(lián)對輿論偏差的影響，信息差序級聯(lián)，發(fā)生于互聯(lián)網(wǎng)時，在根據(jù)他人行為所提供的信息進(jìn)行推斷后，則認(rèn)為他人行為釋放的信息比自身以其他方式獲取的信息覺得更可信和合理，進(jìn)而選擇從眾性地加入該類群體行為。針對網(wǎng)絡(luò)信息差序級聯(lián)，其效應(yīng)主要是人們易于忽略自身所獲得信息的合理性，傾向于根據(jù)前人行為的推斷而以此做出決策[32]。網(wǎng)絡(luò)突發(fā)事件中，人們進(jìn)行信息傳播時，信息接收者通常難以直接觀察到他人知道的外部信息，但可以從他人所做的事情中推斷該類信息。僅通過對他人行為信息的推斷而形成對事物的認(rèn)知、判斷和決策，易于受到事物表象的誤導(dǎo)，從而產(chǎn)生認(rèn)知偏差[33]。

關(guān)于情感擴(kuò)散對信息差序級聯(lián)和輿論偏差的影響，ELM（elaboration likelihood model）模型指出，人們態(tài)度的變化會受到信息論點的質(zhì)量、外圍線索及詳盡可能性的影響，并將人們對信息的加工過程劃分為中心路徑和邊緣路徑。在邊緣路徑中，用戶被說服程度與信息刺激中包含的正面或負(fù)面暗示線索相關(guān)聯(lián)；在信息加工過程中，個人是對其所主張的立場信號進(jìn)行簡單推斷[34]，邊緣路徑加工則易于產(chǎn)生認(rèn)知偏差。有限理性理論指出，大多數(shù)人只是部分理性，在這些人的其余行為中是非理性的，人們在制定和解決復(fù)雜問題以及處理信息方面（接收、存儲、檢索、傳輸）會受到多種因素限制。通常在個人做出決策時，其理性會受到?jīng)Q策問題的易處理性、思維的認(rèn)知局限性和需做出決策的時間壓力的限制和影響，從而行為主體尋求的是滿意的決策，而非最佳解決方案[35]。其中，情感強(qiáng)度是人們認(rèn)知中非理性差異的重要影響因素。因此，突發(fā)事件中，在有限理性作用下，人們的情感和情緒則促進(jìn)了人們采用邊緣路徑對信息進(jìn)行加工，從而對事物認(rèn)知易于產(chǎn)生信息級聯(lián)行為及偏差現(xiàn)象。

（2）情感擴(kuò)散與信息差序級聯(lián)對輿論偏差的邊際影響力變化呈倒U形拋物線特征，在事件輿情的演化過程中，情感擴(kuò)散對輿論偏差的邊際影響效應(yīng)顯著大于信息差序級聯(lián)的影響。情感擴(kuò)散與輿論偏差對信息差序級聯(lián)的邊際影響力變化呈右偏分布拋物線特征，在事件輿情的演化過程中，情感擴(kuò)散對信息差序級聯(lián)的邊際影響效應(yīng)大于輿論偏差的影響。信息差序級聯(lián)與輿論偏差對情感擴(kuò)散的邊際影響力變化呈右偏分布的拋物線特征，在事件輿情的演化過程中，信息差序級聯(lián)對情感擴(kuò)散的邊際影響效應(yīng)大于輿論偏差的影響。

關(guān)于情感擴(kuò)散、信息差序級聯(lián)和輿論偏差間的邊際影響力均呈現(xiàn)拋物線特征，即當(dāng)邊際影響力達(dá)到一定數(shù)值后，呈遞減特征。經(jīng)濟(jì)學(xué)的效應(yīng)理論指出，事物給人們帶來的效用是個體對事物消費行為的一種心理感受，消費某種物品可為主體帶來一種心理刺激，使其獲得某方面的滿足感或能帶來某種積極反應(yīng)。邊際效用遞減規(guī)律強(qiáng)調(diào)，在消費初期，主體體驗到的刺激較大，從而產(chǎn)生的滿足感較強(qiáng)，并隨著同一事物刺激的不斷增加，個體在心理上的興奮程度和滿足感會隨之逐漸增加，即隨著消費數(shù)量的增加，其效用不斷升高。但當(dāng)該消費達(dá)到某一臨界點時，隨著消費數(shù)量的增加，其新增加的消費部分所帶來的效用增長則呈逐漸減少趨勢[36]。因此，在網(wǎng)絡(luò)用戶對突發(fā)事件信息的消費（即獲取、認(rèn)知及分享等行為）過程中，隨著時間的推移，當(dāng)該消費增長到某臨界點時，其邊際效用達(dá)到最大值；其后隨著對信息消費的持續(xù)增加，用戶獲得的邊際效用則會逐漸減小，即呈現(xiàn)倒U形拋物線特征。

（3）在整個輿論演化過程中，情感擴(kuò)散對輿論偏差波動的貢獻(xiàn)率最大，信息差序級聯(lián)對輿論偏差波動的貢獻(xiàn)率較大，而輿論偏差自相關(guān)影響效應(yīng)最小。情感擴(kuò)散對信息差序級聯(lián)波動的貢獻(xiàn)率最大，輿論偏差對信息差序級聯(lián)波動的貢獻(xiàn)率較大，而信息差序級聯(lián)自相關(guān)影響效應(yīng)最小。信息差序級聯(lián)對情感擴(kuò)散波動的貢獻(xiàn)率最大，情感擴(kuò)散自相關(guān)影響效應(yīng)對情感擴(kuò)散波動的貢獻(xiàn)率較大，而輿論偏差對情感擴(kuò)散的影響效應(yīng)最小。在影響因素貢獻(xiàn)率分解中，情感擴(kuò)散對輿論偏差波動的貢獻(xiàn)率大于信息差序級聯(lián)的貢獻(xiàn)率，情感擴(kuò)散對信息差序級聯(lián)波動的貢獻(xiàn)率大于輿論偏差的貢獻(xiàn)率，信息差序級聯(lián)對情感擴(kuò)散波動的貢獻(xiàn)率大于輿論偏差的貢獻(xiàn)率。情感擴(kuò)散、信息差序級聯(lián)和輿論偏差之間的相互影響效應(yīng)在不同人口統(tǒng)計學(xué)群體間存在差異。

該研究結(jié)論對突發(fā)事件網(wǎng)絡(luò)輿情治理具有啟示意義：首先，在輿情治理和輿論偏差糾正過程中，應(yīng)重點加強(qiáng)用戶情感引導(dǎo)和情緒疏通的工作，尤其是在突發(fā)事件發(fā)生的初期，這是情緒引導(dǎo)和情感擴(kuò)散控制的最佳時間。同時，降低因群體性集聚而引起的從眾性信息差序級聯(lián)，以及因客觀信息披露不及時而導(dǎo)致的用戶心理對未知不確定性而產(chǎn)生認(rèn)知失調(diào)，引起小道消息的信息差序級聯(lián)。通過情感疏導(dǎo)和信息差序級聯(lián)管控，及時搶占網(wǎng)絡(luò)輿論方向形成的主動權(quán)，降低輿論偏差的形成和放大。其次，通過對情感擴(kuò)散的管控，既能降低輿論的偏差，也能減少信息差序級聯(lián)形成的概率。通過對信息差序級聯(lián)的管控，既能降低輿論的偏差，也能減小用戶因情緒擴(kuò)散而引起情感極化的風(fēng)險。通過同時對突發(fā)事件中情感疏導(dǎo)和信息差序級聯(lián)的管控，可較好的實現(xiàn)弱化情感傳播、減少信息差序級聯(lián)和降低輿論偏差三者間的良性循環(huán)，實現(xiàn)關(guān)鍵影響因素的源頭性協(xié)同治理，大幅降低輿論偏差和輿情失控發(fā)生的風(fēng)險和概率。最后，在輿情治理過程中，對輿情治理可采取受眾細(xì)分策略，根據(jù)不同用戶群體類型有針對性地采用不同的監(jiān)控和管理措施。在進(jìn)行情感引導(dǎo)、信息差序級聯(lián)防控和輿論偏差監(jiān)控過程中，在性別方面，加強(qiáng)對女性用戶群體的重點監(jiān)控，其次為男性群體；在年齡層面，重點加強(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，最后為50歲及以上群體。