張 靜，王筱莉，3，4，趙來軍，劉 璐，王美華

(1.上海工程技術大學 管理學院，上海 201620；2.上海理工大學 管理學院,上海 200093；3.上海交通大學 安泰經(jīng)濟與管理學院，上海 200030；4.上海交通大學 中美物流研究院，上海 200030)

隨著新媒體平臺的不斷涌現(xiàn)，輿情傳播方式發(fā)生了巨大的轉變，從口口相傳轉變?yōu)殡S機性裂變式的網(wǎng)絡傳播。網(wǎng)絡輿情的傳播對社會安全、秩序穩(wěn)定、經(jīng)濟形勢等產(chǎn)生重要影響，越來越多的人開始注重網(wǎng)絡輿情傳播問題。各領域專家從社會學、心理學、傳播學、管理學等多學科研究范式對輿情傳播進行了研究[1]。許多輿情平臺也開始建立，如新浪微博推出針對企業(yè)和政府的新浪輿情通服務、人民網(wǎng)推出輿情頻道等。網(wǎng)絡輿情傳播問題已成為當今研究的熱點。

由于社交網(wǎng)絡中信息傳播的過程與傳染性疾病在人群中的擴散過程相似，為了解決信息在網(wǎng)絡中的傳播和控制問題，眾多學者將傳染病模型應用到在線社交網(wǎng)絡中[2]。1927年Kermack等[3]提出經(jīng)典的SIR模型，將模型中的人劃分為3類：S(易感染者)、I(傳播者)、R(免疫者)。1964年Daley等[4]借鑒傳染病模型思想提出DK模型，進一步，Maki等[5]提出對DK模型修正后的MK模型。隨著復雜網(wǎng)絡的發(fā)展，Zanette[6]首次將謠言模型應用在小世界網(wǎng)絡中對傳播過程進行分析。之后，不少學者開始在復雜網(wǎng)絡中考慮人類社會屬性對傳播過程的影響，Nekovee等[7]將遺忘機制加入謠言傳播模型，Jiao等[8]在謠言傳播中考慮遺忘和記憶機制，并得出遺忘機制和記憶機制在一定條件下會終止謠言的傳播，Wang等[9]、王筱莉等[10]和趙來軍等[11]分別考慮信任機制、懷疑機制、傳播率和移出率對謠言傳播過程的影響，使模型更加符合實際情況。

隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡信息傳播中不斷出現(xiàn)新的主體，已有不少學者對主體干預下的輿情傳播進行研究。在媒體干預方面，陳波等[12]首次將傳統(tǒng)的傳染病模型推廣到泛在媒體環(huán)境中的開放系統(tǒng)，結合網(wǎng)絡輿論場和外部輿論場建立SEIR輿情傳播控制模型；朱恒民等[13]在考慮媒體數(shù)量、報道力度和可信度的基礎上建立輿情話題傳播模型；張立凡等[14]將媒體對網(wǎng)民的影響抽象為強化度和分歧度構建SIaIbR模型；狄嵐等[15]將意見群體劃分為支持者、中立者和反對者，構建SI3R模型分析媒體干預的作用。在政府干預方面，王治瑩等[16]界定政府干預作用，針對政府的應急決策設定參數(shù)對輿情傳播模型進行分析；張亞明等[17]將政府干預和媒體干預結合建立SHIaIbR模型；王佳敏等[18]提出政府對輿情事件的干預是在負面情感比例達到某一特定值時才會進行。在意見領袖方面，意見領袖的概念于20世紀40年代由Lazarsfeld等[19](拉扎斯菲爾德)基于“兩級傳播”理論提出；王佳敏等[18]提出融合網(wǎng)民個體情感、意見領袖和政府調節(jié)等因素的突發(fā)事件應急響應模型；馬寧等[20]將輿論傳播分為2個階段，分析輿論領袖在輿情爆發(fā)階段和平息階段發(fā)揮的2個不同作用的干預。

以上研究雖然已經(jīng)充分考慮了輿情在不同主體干預下的傳播過程，但研究這些主體共同干預對輿情傳播的影響尚少。張亞明等[17]的多主體干預研究僅考慮了媒體和政府的共同干預；王佳敏等[18]考慮了意見領袖和政府對網(wǎng)民情感的影響，并未考慮媒體的干預。網(wǎng)絡輿情傳播過程是極其復雜的，為了使傳播模型更加切合實際，考慮媒體、政府和意見領袖的共同干預對輿情傳播的影響是十分有必要的。因此，本文綜合考慮媒體、政府、意見領袖共同干預對網(wǎng)絡輿情傳播的影響，將媒體對網(wǎng)民的干預影響抽象為強化度、分歧度和滲透率3類，將政府對網(wǎng)民的干預影響抽象為震懾度和免疫度兩類，將意見領袖對網(wǎng)民的干預影響劃分為政府干預前和政府干預后2種不同的干預效果，同時將輿情傳播者劃分為支持者、中立者和反對者，以此構建多主體干預下的三分意見群體網(wǎng)絡輿情傳播模型。

1 多主體干預下三分意見群體輿情傳播模型構建

1.1 模型描述

本文中網(wǎng)絡媒體是指除去官方背景的，在微博、博客和論壇等網(wǎng)絡平臺上發(fā)布信息的新聞媒體和自媒體。政府是指在各網(wǎng)絡平臺上進行官方認證并對網(wǎng)絡輿情進行管控的社交賬號。意見領袖是指輿情事件中在網(wǎng)絡平臺上進行發(fā)聲引導，影響力(轉發(fā)、點贊、評論、粉絲數(shù))在前10名，不包含官方背景的相關領域名人、專家等。

當輿情開始傳播時，首先是媒體在平臺上散發(fā)消息傳遞給網(wǎng)民，引導其轉化為猶豫者并進入輿情事件參與討論，媒體增加網(wǎng)民對輿情傳播的作用稱為強化度，用ε表示。媒體在平臺上發(fā)表不同觀點引導網(wǎng)民進行傳播，導致網(wǎng)民從一個觀點轉化為另一個觀點的作用稱為分歧度，用η表示。網(wǎng)民在平臺上接觸并傳播輿情事件時受不同媒體觀點的導向作用，媒體影響傳播者觀點之間相互轉化的作用稱為媒體滲透率，用γ表示。

輿情初始傳播時人數(shù)較少，政府不會進行干預，當輿情支持者傳播人數(shù)達到閾值時政府才會介入輿情事件進行干預，其干預表現(xiàn)為震懾作用和免疫作用。政府采取相關措施對輿情傳播做出懲罰達到減少輿情傳播的作用稱為政府震懾度，σ1、σ3、σ4、σ5分別表示政府對未知者轉化為猶豫者、猶豫者轉化為支持者、中立者和反對者的震懾作用。政府對群體進行知識科普、事件描述等措施提高群體對輿情事件的認知，進而達到對輿情事件免疫的作用稱為政府免疫度，σ2、σ6、σ7、σ8、σ9分別表示政府對未知者、猶豫者、支持者、中立者、反對者轉化為免疫者的免疫作用。

根據(jù)網(wǎng)絡輿情傳播特點，將群體劃分為S(未知者)、H(猶豫者)、Ia(支持者)、Ib(中立者)、Ic(反對者)、R(免疫者)6類，構建多主體干預下的三分意見群體網(wǎng)絡輿情傳播模型(簡稱SHIaIbIcR模型)，具體如圖1所示。其中，S(未知者)是指尚未接觸到輿情的群體；H(猶豫者)是指未知者接觸輿情事件后對輿情進行思考，并不直接發(fā)表觀點進行傳播的群體；Ia(支持者)、Ic(反對者)分別是指對輿情事件持支持、反對意見并進行傳播的人群；Ib(中立者)是指由于輿情多發(fā)且反轉較多造成一部分人對輿情的態(tài)度是中立的，并不直接進行支持或反駁的傳播人群，目前此類人群在網(wǎng)絡中是逐漸增多的；R(免疫者)是指已經(jīng)傳播過輿情或對輿情失去興趣不再進行傳播的人群。

圖1 SHIaIbIcR輿情傳播模型示意圖

圖2 媒體干預下輿情傳播模型示意圖

圖3 媒體、意見領袖干預下輿情傳播模型示意圖

圖4 媒體、政府、意見領袖干預下輿情傳播模型示意圖

1.2 動力學方程

輿情傳播過程中6類群體在t時刻所占比例分別為S(t)、H(t)、Ia(t)、Ib(t)、Ic(t)、R(t)，網(wǎng)絡社交平臺作為一個開放性的平臺，其用戶數(shù)量隨著時間不斷變化，用常數(shù)A表示社交平臺變化率，N表示社交網(wǎng)絡平臺中總人數(shù)，則A+S(t)+H(t)+Ia(t)+Ib(t)+Ic(t)+R(t)=N。根據(jù)圖1不同群體相互轉化關系，可知動力學方程為：

(1)

α3H-α4H

(2)

(γca-γac)IaIc

(3)

(γcb-γbc)IbIc

(4)

(γbc-γcb)IbIc

(5)

(6)

其中，S=S(t)、H=H(t)、Ia=Ia(t)、Ib=Ib(t)、Ic=Ic(t)、R=R(t)均為連續(xù)可微函數(shù)。

2 SHIaIbIcR輿情傳播模型分析

2.1 平衡點求解

使用Matlab的solve符號演算可知式(1)～(6)微分方程不存在精確解，即無法得到該方程的精確平衡點。根據(jù)參考文獻[14]，式(1)～(5)中不包含R(t)，通過簡化方程組(1)～(5)得到方程組的4個平衡點：

(7)

(8)

(9)

(10)

其中E0為無病平衡點，E1、E2、E3為地方病平衡點，通過計算可得E0點處的Jacobi矩陣如下：

(11)

(12)

2.2 基本再生數(shù)求解

在傳染病動力學模型中基本再生數(shù)Ro是一個非常重要的參數(shù)，其代表在無干預情景下引入一個傳染者在傳染周期內(nèi)可以傳染的人數(shù)[21]。Ro的大小可以衡量輿情是否可以在網(wǎng)絡平臺上傳播開，當Ro<1時網(wǎng)絡輿情不會進行大規(guī)模傳播；當Ro>1時網(wǎng)絡輿情呈現(xiàn)大規(guī)模擴散趨勢[22-23]。因此，本文基于傳染病動力學理論利用下一代矩陣法求取式(1)～(6)的基本再生數(shù)。

令X=(H，Ia，Ib，S，R)T，根據(jù)文獻[24]可構造出F(x)和V(x)，其中F(x)表示新增的網(wǎng)絡輿情傳播者，V(x)表示其他群體的密度變化，式(1)～(6)可表示為：dx=F(x)-V(x)，若將猶豫者轉化為傳播者而不看作新的感染，則

(13)

(14)

當系統(tǒng)中輿情不存在時，網(wǎng)絡中僅有未知者，此時存在無疾病平衡點，E0=(0，0，0，S0，0)T則

(15)

(16)

不妨，令α1+α2+α3+α4=1，由A=FV-1可得

(17)

(18)

從R0表達式可知，基本再生數(shù)與網(wǎng)民移入率、未知者轉化為猶豫者、免疫者及傳播者轉化為免疫者的比率有密切關系。當網(wǎng)民移入率和未知者轉化為猶豫者比例增大會導致基本再生數(shù)增大，當基本再生數(shù)由小于1變?yōu)榇笥?時輿情傳播規(guī)模逐漸變大，而增大未知者和傳播者的免疫率會減少基本再生數(shù)。因此，對于輿情規(guī)模的管控可以集中在增加政府對未知者和傳播者的免疫上(如增大λ2、β1、β2、β3)。

3 SHIaIbIcR輿情傳播仿真模擬

輿情產(chǎn)生時，在媒體和意見領袖的導向作用下，網(wǎng)民對輿情的看法逐漸演變?yōu)?種不同的觀點，不同觀點之間相互影響并對輿情傳播規(guī)則產(chǎn)生作用。政府干預系數(shù)正向或負向影響著輿情傳播規(guī)律。政府干預后，意見領袖導向作用逐漸與政府干預方向一致，使網(wǎng)絡輿情傳播更快速地趨于穩(wěn)定狀態(tài)。為更好地說明網(wǎng)絡媒體、意見領袖與政府多主體干預下的網(wǎng)絡輿情傳播規(guī)律，本節(jié)對不同主體干預情景進行了仿真模擬，分析不同主體干預時輿情傳播變化。其中，初始值設置和仿真參數(shù)取值參考了張亞明等的文獻[14,16]，通過控制變量等方法，對不同主體干預下的具體參數(shù)變化進行仿真模擬，并與無主體干預及主體干預基準進行比較分析，深入分析不同主體的干預系數(shù)對輿情傳播的影響。

3.1 不同主體干預情景仿真模擬

本節(jié)使用Matlab R2020a軟件進行仿真模擬，采用Runge-Kutta方法求解式(1)～(6)微分方程，對媒體、政府、意見領袖等主體不同干預的情景進行仿真模擬以驗證理論分析。初始值設置為A=0.000 001，S(t)=0.5，H(t)=0.4，Ia(t)=0.04，Ib(t)=0.03，Ic(t)=0.03，R(t)=0。

圖5 無主體干預下各群體密度變化曲線

圖6 媒體干預下各群體密度變化曲線

圖7 媒體、政府干預下各群體密度變化曲線

圖8 媒體、意見領袖干預下各群體密度變化曲線

圖9 媒體、政府、意見領袖干預下各群體密度變化曲線

圖5～9展示了5種情景下各群體的密度變化，其中圖6為僅媒體干預下各群體密度變化。圖7、8分別為媒體、政府與媒體、意見領袖共同干預下各群體密度變化。圖9為媒體、政府、意見領袖干預下各群體密度變化。通過對比圖5～9不同主體干預情況人群密度變化可知，圖9所示的媒體、意見領袖和政府共同干預的輿情傳播過程更加符合現(xiàn)實情況，輿情出現(xiàn)后首先是媒體和意見領袖對輿情進行散播和引導，輿情傳播達到一定規(guī)模時政府進行干預，意見領袖受政府干預的影響改變自己的觀點，進而在意見領袖和政府的作用下，輿情得到控制和弱化直至消失。

3.2 不同主體干預參數(shù)分析

3.2.1媒體干預下情景設置

1)強化度和分歧度對網(wǎng)絡輿情傳播的影響

為了探究媒體強化度和分歧度對各群體密度變化的影響，設置對照組和實驗組進行模擬分析。圖10(a)展示了2種強化度下各群體密度變化，其中實線表示強化度為0.02，虛線表示強化度為0.04，其他參數(shù)保持在無主體干預下的數(shù)值。圖10(b)展示了2種分歧度下各群體密度變化，實線表示分歧度為0.4，虛線表示分歧度為0.6，其他參數(shù)保持在無主體干預下的數(shù)值。由圖10可知，媒體強化度和分歧度均促進了傳播者人數(shù)增長，且分歧度的影響大于強化度，所得結果與文獻[13]和文獻[17]一致?？芍柚襟w進行輿情疏導時，需注意網(wǎng)民對媒體不同觀點的接受度，若政府借助媒體宣傳與主流觀點相差較大的“官方觀點”時，很有可能會增大網(wǎng)民之間的分歧討論，使輿情在短時間內(nèi)波及更大的范圍。

圖10 媒體強化度、分歧度對輿情傳播的影響

2)滲透率對網(wǎng)絡輿情傳播的影響

圖11(a)展示了中立者、反對者向支持者滲透時各群體密度變化，設置γba=0.6，γcb=0.3，γab=γbc=γac=γba=0.1，可知支持者人數(shù)明顯增加。圖11(b)展示了支持者、反對者向中立者滲透時各群體密度變化，設置γab=γcb=0.6，γba=γbc=γac=γca=0.1，可知中立者人數(shù)明顯增加。圖11(c)展示了支持者、中立者向反對者滲透時各群體密度變化，設置γac=0.3，γbc=0.6，γab=γcb=γca=γba=0.1，可知反對者的人數(shù)明顯增加。由圖11可知，滲透率促進了傳播者觀點之間的相互轉化，增加了網(wǎng)民對輿情的話題討論，輿情持續(xù)時間增長且不易消失，因此在控制網(wǎng)絡輿情時，應減少傳播觀點之間的相互轉化，疏導媒體在弱化話題討論方向上保持一致。

圖11 媒體滲透率對輿情傳播的影響

3.2.2政府干預下情景設置

1)政府不同干預對輿情傳播的影響

設置無主體干預和政府干預基準兩個對照組，在政府干預基準上增加政府對不同群體的干預值，增加值為0.05，考察σ1、σ2、σ3、σ4、σ5、σ6、σ7、σ8、σ9的大小對各群體密度的變化影響。無干預對照組參數(shù)設置為：λ1=0.8，λ2=0.2，α1=0.4，α2=0.3，α3=0.2，α4=0.1，β1=0.1，β2=0.2，β3=0.2，政府干預基準參數(shù)設置為：λ1=0.7，λ2=0.3，α1=0.3，α2=0.2，α3=0.1，α4=0.4，β1=0.2，β2=0.3，β3=0.3。實驗組參數(shù)設置為：λ1=0.65，λ2=0.35，α1=0.25，α2=0.15，α3=0.05，α4=0.45，β1=0.25，β2=0.35，β3=0.35。

圖12(a)～(f)展示了政府不同干預下6種群體的密度變化。

圖12 政府干預對輿情傳播的影響

由圖12(a)可知，與無干預情況相比，政府進行干預后僅有改變λ2的干預使未知者的人數(shù)有所減少，其他情景的干預效果均低于無干預情景下，且改變λ1的干預效果最差，說明政府若想減少未知者人數(shù)應重點采取措施干預未知者直接轉化為免疫者。從圖12(b)～(f)可知，政府不同干預下猶豫者、支持者、中立者和反對者人數(shù)相比未干預情況下都有所減少，免疫者人數(shù)有所增加。圖12(b)中改變α4干預效果最好，而改變α1、α2、α3效果最差。圖12(c)中改變α1干預效果最好，改變α2、α3效果最差，改變β1下降速度最快，因此政府在采取干預措施時，也可以重點考慮干預支持者轉化為免疫者。圖12(d)中改變α2干預效果最好，改變α1、α3效果最差，改變β2下降速度最快。圖12(e)中改變α3干預效果最好，改變α1、α2效果最差，改變β3下降速度最快。圖12(f)中改變λ2干預效果最好，改變λ1效果最差。網(wǎng)絡輿情的治理體現(xiàn)在管控每類人群的數(shù)量，政府在控制輿情時首先要控制網(wǎng)絡輿情的波及范圍與所影響的人群數(shù)量[17]，即降低未知者、猶豫者和傳播者人數(shù)數(shù)量，增加免疫者人群數(shù)量。對于不同人群的增加和減少，政府可以通過不同干預進行實現(xiàn)，如增加免疫者數(shù)量的最優(yōu)措施是干預未知者轉化為免疫者，減少猶豫者和傳播者數(shù)量。

2)政府進行震懾干預和免疫干預的區(qū)別

政府只進行震懾作用下設置λ1=0.7，α1=0.3，α2=0.2，α3=0.1，政府只進行免疫作用情景下設置λ2=0.3，α4=0.4，β1=0.3，β2=0.3，β3=0.3，其他參數(shù)保持在無主體干預下的數(shù)值，將2種不同干預與無干預情景對比見圖13(a)～(c)。由圖13可知，對比無干預情況下，政府免疫作用起到了明顯的干預效果，3種傳播觀點人數(shù)都得到了下降，但政府震懾作用對支持者和中立者的人數(shù)下降并未取得較好效果，說明政府對輿情事件進行管理時，應當重點將干預放在免疫作用上，以增加輿情信息的透明度，提高網(wǎng)民對輿情的認知，減少盲目跟風的傳播行為。

圖13 政府干預對傳播者的影響

3.2.3意見領袖干預下情景設置

圖14(a)～(f)展示了意見領袖不同干預下6種群體密度變化。在政府干預的影響下，意見領袖的干預使免疫者人數(shù)相比于未干預情況下有所增加，猶豫者、支持者、中立者、反對者有所減少。由圖14(a)可知，對于未知者改變α1效果最差；由圖14(b)可知，對于猶豫者改變α3效果最差；由圖14(c)可知，對于支持者改變α1干預效果最好，而改變α2、α3效果最差；由圖14(d)可知，對于中立者改變α2干預效果最好，改變α1、α3效果最差；由圖14(e)可知，對于反對者改變α2干預效果最好，改變α1、α2效果最差；由圖14(f)可知，對于免疫者改變α4干預效果最好，改變α3效果最差。綜上所述，可知在政府干預的影響下，意見領袖對傳播者的干預可以有效減少傳播者人數(shù)，減少輿情波及范圍，同時可以通過增加免疫者人數(shù)降低輿情傳播規(guī)模，并重點干預使猶豫者轉化為免疫者。

圖14 意見領袖干預下不同群體密度變化曲線

3.2.4政府干預時間情景設置

t1、t2、t3、t4分別表示輿情支持者傳播人數(shù)達到15%、20%、25%、30%的時間點，圖15展示了政府在t1、t2、t3、t4時間點干預時各群體密度變化。由圖15可知，政府干預的時間越早對降低輿情傳播規(guī)模越有利。說明政府若可以較早覺察出輿情的爆發(fā)并進行干預，可以對輿情管控起到更好的效果，政府應當在考慮成本和收益之間做到輿情監(jiān)測的最優(yōu)化。

圖15 政府不同干預時間下各群體密度變化曲線

4 案例分析

為了驗證本文提出的SHIaIbIcR模型的有效性和意見領袖對輿情傳播影響的理論分析，本文對新《中華人民共和國民典法》涉及的“侄子侄女可繼承叔伯遺產(chǎn)”微博話題進行實證分析，利用“新浪輿情通”平臺獲取該輿情事件的數(shù)據(jù)。

該事件于2020年12月15日0點開始傳播，共持續(xù)432 h，微博閱讀量達3.2億。而政府在輿情消亡期才進行干預(2020年12月21日)，輿情傳播時受媒體和意見領袖干預較大，利用Matlab軟件該事件進行模擬，得到該案例傳播時傳播人數(shù)的真實數(shù)據(jù)和模擬數(shù)據(jù)如圖16所示。由圖16可知，本文提出的SHIaIbIcR傳播模型與實際傳播模型趨勢相符。圖17展示了該事件中不同參與用戶比例，網(wǎng)民比例最多，媒體次之，領袖和政府比例較少。圖18展示了該輿情事件中網(wǎng)民意見比例，中性占絕大多數(shù)，與本文構建的加入意見領袖干預的三分意見群體模型相符合。且據(jù)“新浪輿情通”平臺數(shù)據(jù)可知媒體粉絲平均值為1 877 500，平均帶動轉發(fā)為356，意見領袖粉絲平均值為27 963 470，平均帶動轉發(fā)為555，可知意見領袖的影響值大于媒體對網(wǎng)民的影響值，與本文構建的模型相符，驗證了SHIaIbIcR模型的有效性。

圖16 “侄子侄女可繼承叔伯遺產(chǎn)”輿情事件傳播者密度變化曲線

圖17 該輿情事件微博用戶人群比例直方圖

圖18 該輿情事件微博用戶意見比例直方圖

在該輿情事件中，微博用戶“021視頻”為轉發(fā)最多網(wǎng)民和評論最多網(wǎng)民，總轉發(fā)人數(shù)達到 9 863條，總評論人數(shù)達到12 620條，其粉絲數(shù)為702 274，因此可認為微博用戶“021視頻”為該輿情事件的意見領袖，其觀點對網(wǎng)民產(chǎn)生極大的影響。選取“021視頻”用戶為節(jié)點探究其對網(wǎng)民的影響，由圖19、20可知，“021視頻”用戶作為“侄子侄女可繼承叔伯遺產(chǎn)”首發(fā)用戶，先直接影響“春澗生活派”、“北京全搜羅”等用戶，這些用戶影響較大其轉發(fā)又會再次得到擴散。從圖21可知，“北京全搜羅”用戶在轉發(fā)“021視頻”用戶內(nèi)容后，其內(nèi)容再次被“新聞晨報”、“娛樂女孩”等用戶轉發(fā)，觀點得到3個層級的轉發(fā)影響?？芍谳浨槭录?，意見領袖的影響是關鍵且不可忽視的主體，本文在多主體干預中加入意見領袖的影響使輿情傳播模型更加符合實際情況。

圖19 節(jié)點“021視頻”微博轉發(fā)云圖

圖20 節(jié)點“021視頻”微博一級轉發(fā)云圖

圖21 節(jié)點“北京全搜羅”微博轉發(fā)云圖

5 結論

考慮到意見領袖對網(wǎng)絡輿情傳播的影響，提出媒體、政府和意見領袖共同干預下的三分意見群體網(wǎng)絡輿情傳播模型。依據(jù)輿情傳播規(guī)則構建多主體干預下的SHIaIbIcR模型，給出各參數(shù)在多方主體影響下的定義和動力學方程，求出模型基本再生數(shù)；將媒體、政府、意見領袖的干預分別組合設置5種不同情景，利用Rung-Kutta方法對SHIaIbIcR模型進行數(shù)值模擬，并對相關參數(shù)的影響進行具體分析，利用真實案例驗證了本文構建模型的有效性和合理性。結果表明：意見領袖在輿情傳播中起重要作用，相比僅考慮政府和媒體干預下的輿情傳播模型，考慮3個主體共同干預的輿情傳播模型更加符合實際情況。但輿情事件的傳播受到多方面的影響，如輿情當事人的回應對輿情發(fā)展趨勢也有極大的影響，接下來會在該方面做進一步研究。