莊文英 許英姿 任俊玲 王興芬

(北京信息科技大學(xué) 信息管理學(xué)院 北京 100192)

0 引 言

任何風(fēng)險(xiǎn)都是在一定條件下產(chǎn)生和發(fā)展起來(lái)的，其存在及演化有其內(nèi)在的邏輯與特征，知其然更需知其所以然，掌握風(fēng)險(xiǎn)尤其是突發(fā)事件風(fēng)險(xiǎn)的演化規(guī)律與特征對(duì)于風(fēng)險(xiǎn)預(yù)警與治理具有重要意義。突發(fā)事件的風(fēng)險(xiǎn)治理是一項(xiàng)復(fù)雜的系統(tǒng)工程，其中既涉及理念層面的方向性決策、制度層面的體系建構(gòu)，又涉及治理模式的設(shè)計(jì)與治理方法的優(yōu)化，還需充分考慮關(guān)鍵風(fēng)險(xiǎn)因子的有效疏解，而網(wǎng)絡(luò)輿情作為以突發(fā)事件為觸點(diǎn)的社會(huì)風(fēng)險(xiǎn)構(gòu)成因子之一，對(duì)于突發(fā)事件的發(fā)展態(tài)勢(shì)往往具有極大地影響?！吨泄仓醒腙P(guān)于制定國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二〇三五年遠(yuǎn)景目標(biāo)的建議》提出，加強(qiáng)和創(chuàng)新市域社會(huì)治理，推進(jìn)市域社會(huì)治理現(xiàn)代化。其中，提升輿論引導(dǎo)能力，要求“健全重大輿情和突發(fā)事件輿論引導(dǎo)機(jī)制，建立健全網(wǎng)絡(luò)綜合治理體系”。因此，在突發(fā)事件風(fēng)險(xiǎn)治理過(guò)程中，結(jié)合信息時(shí)代特征，厘清網(wǎng)絡(luò)輿情演化的規(guī)律和傳播特點(diǎn)，以更有效地應(yīng)對(duì)突發(fā)事件，并建立與之契合的導(dǎo)控模式進(jìn)行輿情風(fēng)險(xiǎn)監(jiān)測(cè)和處理，從而減少突發(fā)事件輿情所帶來(lái)的風(fēng)險(xiǎn)壓力和損失，對(duì)于社會(huì)治理現(xiàn)代化體系的構(gòu)建具有重要的管理意義。

中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第47次統(tǒng)計(jì)報(bào)告指出，截至2020年12月，我國(guó)網(wǎng)民規(guī)模達(dá)9.89億，互聯(lián)網(wǎng)普及率達(dá)70.4%[1]。網(wǎng)絡(luò)的普及與信息技術(shù)與多樣化發(fā)展，微信、微博、微視頻等新媒體手段的實(shí)時(shí)互動(dòng)取代了傳統(tǒng)載體，促使社會(huì)輿論邁向“多中心”時(shí)代，極大的便利了人與人之間的溝通交流，個(gè)體間的意見(jiàn)交換愈加密切和頻繁，突發(fā)事件的輿情傳播也有了全新的傳播模式與特征。同時(shí)，隨著參與主體的增加，信息的交互影響大幅增加，其社會(huì)影響力也將以幾何級(jí)增長(zhǎng)，引發(fā)蝴蝶效應(yīng)。近年來(lái)，突發(fā)事件的發(fā)生往往能在網(wǎng)絡(luò)上引起廣大網(wǎng)民的熱議，各種意見(jiàn)相互碰撞，增加了突發(fā)事件風(fēng)險(xiǎn)的同時(shí)，信息的傳遞與演化也越來(lái)越復(fù)雜，使得突發(fā)事件輿情治理的復(fù)雜性和難度也隨之提升。

因此，以突發(fā)事件輿情競(jìng)爭(zhēng)演化特征為出發(fā)點(diǎn)，本研究構(gòu)建了多主體參與的網(wǎng)絡(luò)輿情多意見(jiàn)競(jìng)爭(zhēng)演化模型，并以LDA劃分意見(jiàn)群體，形成拓展的SEInR模型。實(shí)證方面，因大宗商品交易市場(chǎng)具有交易額大、供需量大、價(jià)格波動(dòng)大等特征，該領(lǐng)域突發(fā)事件容易引發(fā)系統(tǒng)風(fēng)險(xiǎn)，對(duì)于市場(chǎng)穩(wěn)定具有重要的影響，因此本研究結(jié)合系統(tǒng)動(dòng)力學(xué)理論，以大宗商品交易市場(chǎng)突發(fā)事件為例開(kāi)展模型仿真與策略研究，從平臺(tái)管控、媒體引導(dǎo)與監(jiān)管干預(yù)三個(gè)角度探究導(dǎo)控與治理策略，具有一定的實(shí)踐意義。

1 相關(guān)研究

社交媒體時(shí)代信息傳播速度越來(lái)越快，呈現(xiàn)出多元化、多中心化特征，人們正處于一個(gè)由多元媒體構(gòu)建起來(lái)繁雜的社會(huì)網(wǎng)絡(luò)之中，突發(fā)事件輿情的演化發(fā)展對(duì)于應(yīng)急決策具有重要的影響。通過(guò)對(duì)國(guó)內(nèi)外文獻(xiàn)的統(tǒng)計(jì)分析表明，自2010年社交網(wǎng)絡(luò)用戶行為成為研究熱點(diǎn)[2]，自2015年該領(lǐng)域的關(guān)鍵詞開(kāi)始以“輿情分析”為主[3]，研究重點(diǎn)主要集中在輿情演化規(guī)律與過(guò)程的研究，常用方法包括多主體博弈分析[4]、系統(tǒng)動(dòng)力學(xué)[5]和傳染病模型(SIR)等。近年來(lái)，隨著大數(shù)據(jù)與人工智能的發(fā)展，輿情演化定量研究逐漸深入，機(jī)器學(xué)習(xí)、文本挖掘、事理圖譜等新興技術(shù)逐漸應(yīng)用于輿情傳播領(lǐng)域，王晰巍等[6]學(xué)者通過(guò)對(duì)國(guó)內(nèi)外社交媒體環(huán)境下的網(wǎng)絡(luò)輿情研究動(dòng)態(tài)與趨勢(shì)分析得出大數(shù)據(jù)分析方法將成為此領(lǐng)域未來(lái)的主要研究趨勢(shì)之一；田依林等[7]研究者將事理圖譜應(yīng)用于新冠肺炎網(wǎng)絡(luò)輿情的演化路徑分析；Tan X等[8]將BERT-LDA文本分析技術(shù)應(yīng)用于大型網(wǎng)絡(luò)輿情演化研究。

傳染病模型研究領(lǐng)域，在傳統(tǒng)SIR基礎(chǔ)上，研究者們結(jié)合傳播特征、管理情景與管理實(shí)踐，探索了不同類型的拓展演化模型：考慮動(dòng)態(tài)性的SIR-I動(dòng)態(tài)傳播模型[9]，考慮潛伏態(tài)(Exposed)的SEIR模型[10]，考慮信息派生性及傳播規(guī)則的S-SEIR傳播模型[11]，考慮干預(yù)機(jī)制的SSIC超網(wǎng)絡(luò)謠言傳播模型[12]，考慮中介變量影響的SIS模型[13]，與灰色預(yù)測(cè)相結(jié)合的SIR-EGM模型[14]，考慮多意見(jiàn)交互的SInR模型[15]，考慮導(dǎo)控措施的SInQR模型[16]。

在多意見(jiàn)競(jìng)爭(zhēng)性研究方面，多從個(gè)體特征與群體間在社交網(wǎng)絡(luò)內(nèi)的交互出發(fā)研究輿情的演化，F(xiàn)ang等[17]研究了個(gè)體特征與互動(dòng)對(duì)意見(jiàn)競(jìng)爭(zhēng)演化的研究。顧秋陽(yáng)等[18]構(gòu)建了融入用戶群體行為的輿情傳播動(dòng)態(tài)演化模型研究；GAO等[19]基于符號(hào)網(wǎng)絡(luò)探究了輿情的動(dòng)態(tài)演化；蘇妍嫄等[20]從演化動(dòng)力學(xué)出發(fā)，探究公眾風(fēng)險(xiǎn)感知交叉演變機(jī)制；Dong等[21]從圖論的角度，研究合作競(jìng)爭(zhēng)網(wǎng)絡(luò)上意見(jiàn)的競(jìng)爭(zhēng)演變。

但是，當(dāng)前國(guó)內(nèi)外現(xiàn)有針對(duì)突發(fā)事件輿情的研究多是基于一元或二元(謠言/辟謠、同意/反對(duì)等)意見(jiàn)演化構(gòu)建模型，對(duì)多意見(jiàn)的劃分多為人工處理，由于輿情文本具有信息破碎、口語(yǔ)化嚴(yán)重等特點(diǎn)，當(dāng)突發(fā)事件引起群體廣泛關(guān)注時(shí)，人工處理具有明顯局限性；其次，針對(duì)突發(fā)事件輿情治理，部分研究[22-23]的情緒治理措施仍處于探討階段，未對(duì)相關(guān)措施進(jìn)行具體的定量分析。鑒于此，本研究基于SEIR模型，考慮多意見(jiàn)競(jìng)爭(zhēng)演化和輿情傳播特征，構(gòu)建拓展的SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型，其中多意見(jiàn)的劃分采用潛在狄利克雷分布 (Latent Dirichlet Allocation，LDA，即文檔主題生成模型)[24]。并結(jié)合Python編程采集大宗領(lǐng)域中行原油寶事件相關(guān)輿情數(shù)據(jù)，開(kāi)展量化與仿真研究，進(jìn)而結(jié)合靈敏度分析開(kāi)展治理措施研究。

2 突發(fā)事件輿情多意見(jiàn)競(jìng)爭(zhēng)演化模型

針對(duì)突發(fā)事件的輿情演化特征，考慮個(gè)體接收信息至意見(jiàn)表達(dá)期間的時(shí)滯性，研究者構(gòu)建了SEIR模型，以刻畫傳播的裂變性[25]。本研究在傳統(tǒng)SEIR模型基礎(chǔ)上，增加了從易感人群到各意見(jiàn)群體的轉(zhuǎn)移過(guò)程以及意見(jiàn)群體之間的競(jìng)爭(zhēng)交互，以使其更符合輿情的傳播實(shí)際。

2.1演化模型假設(shè)結(jié)合網(wǎng)絡(luò)輿情演化特征與傳播動(dòng)力學(xué)原理，輿情演化系統(tǒng)基于如下兩個(gè)假設(shè)條件構(gòu)建：

假設(shè)1：演化系統(tǒng)為相對(duì)封閉的動(dòng)態(tài)系統(tǒng)。即不考慮系統(tǒng)人員的新增和移出，系統(tǒng)內(nèi)各狀態(tài)人群依據(jù)輿情傳播規(guī)律進(jìn)行轉(zhuǎn)化，設(shè)網(wǎng)民總數(shù)為N，S(t)、E(t)、I(t)、E(t)、分別為t時(shí)刻易感者、潛伏者、感染者和免疫者的人群基數(shù)，則有N=S(t)+E(t)+I(t)+R(t)。

假設(shè)2：輿情演化具有單向性。互聯(lián)網(wǎng)時(shí)代，碎片化信息層出不窮，網(wǎng)絡(luò)信息具有明顯的時(shí)效性，網(wǎng)民更容易被新鮮的熱點(diǎn)或話題所吸引而轉(zhuǎn)移關(guān)注點(diǎn)，故而默認(rèn)輿情演化是單向的，即不存在態(tài)度反復(fù)。

2.2演化模型建立

2.2.1 傳統(tǒng)SEIR模型 SEIR模型認(rèn)為易感者在經(jīng)歷一段時(shí)間的潛伏期醞釀才會(huì)以一定概率被情緒感染同化并轉(zhuǎn)化為感染者[25]。經(jīng)典的SEIR模型動(dòng)態(tài)微分方程組可表示如下：

(1)

其中，α表示易感者接收信息的概率；η表示潛伏者被感染的概率；μ表示感染者的免疫概率。模型示意圖如圖1所示，展示四種群體之間的轉(zhuǎn)化。

圖1 輿情演化SEIR模型示意圖

2.2.2 拓展的SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型 本文結(jié)合突發(fā)事件輿情演化機(jī)理及意見(jiàn)競(jìng)爭(zhēng)機(jī)制，對(duì)已有SEIR傳播模型做出如下拓展：

其一，根據(jù)輿情的長(zhǎng)尾效應(yīng)[26]，輿情演化的高潮往往發(fā)生在突發(fā)事件爆發(fā)初期，一定規(guī)模的網(wǎng)民在事件發(fā)生后有極強(qiáng)意愿在網(wǎng)絡(luò)上訴說(shuō)自身對(duì)事件的觀點(diǎn)、態(tài)度或情緒，因此對(duì)這部分網(wǎng)民來(lái)說(shuō)，其潛伏期較短，可以忽略不計(jì)，易感者直接被感染為感染者，故相較于已有研究，新增一條轉(zhuǎn)化路徑S→I；

其二，部分網(wǎng)民并非突發(fā)事件相關(guān)者或是對(duì)該突發(fā)事件不感興趣，這部分網(wǎng)民將選擇不瀏覽或?yàn)g覽到突發(fā)事件輿情時(shí)也并不會(huì)對(duì)突發(fā)事件有過(guò)多的關(guān)注，不會(huì)因此發(fā)聲，故其未出現(xiàn)意見(jiàn)感染，即直接轉(zhuǎn)化為免疫者，因此新增兩條轉(zhuǎn)化路徑S→R和E→R;

其三，在完全虛擬的網(wǎng)絡(luò)情境下，網(wǎng)絡(luò)輿情生成的初始條件不明朗、不確定，網(wǎng)民針對(duì)突發(fā)事件能夠公開(kāi)、自由地表達(dá)、轉(zhuǎn)發(fā)，使得網(wǎng)絡(luò)成為不同意見(jiàn)表達(dá)的集散地，各種論調(diào)層出不窮，多元聲音呈現(xiàn)出碎片化狀態(tài)。各種意見(jiàn)此消彼長(zhǎng)，相互影響、相互競(jìng)爭(zhēng)、相互改變，在輿情演化過(guò)程中形成具有非線性和不規(guī)則特征的混沌現(xiàn)象[27]。因此，感染人群中存在多種意見(jiàn)相互競(jìng)爭(zhēng)的現(xiàn)象，體現(xiàn)了不同意見(jiàn)人群間相互影響、相互競(jìng)爭(zhēng)、相互轉(zhuǎn)化的關(guān)系，因此，本研究首先可通過(guò)LDA分析將感染者依據(jù)情感表達(dá)或關(guān)注的話題劃分為多意見(jiàn)感染群體In，并增加了各個(gè)意見(jiàn)群體之間的交互，從而更為符合輿情的傳播實(shí)際。

綜上所述，構(gòu)建SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型示意圖如圖2所示。

圖2 SEInR多意見(jiàn)競(jìng)爭(zhēng)演化示意圖

其中，n代表感染者所持的情感或關(guān)注的話題總數(shù)，同一類情感或話題劃分為一種意見(jiàn)群體，如：實(shí)際情況下，若情感分為積極、中性和消極三種，則共有三種意見(jiàn)群體；參數(shù)γi表示易感者直接感染為意見(jiàn)群體i的概率；ηi表示潛伏者被感染為意見(jiàn)群體i的概率；μi表示意見(jiàn)群體i的免疫概率；ρij表示意見(jiàn)群體i受意見(jiàn)群體j的影響系數(shù)；β表示潛伏者的直接免疫概率?？紤]輿情演化機(jī)理與意見(jiàn)競(jìng)爭(zhēng)機(jī)制的SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型的動(dòng)態(tài)微分方程組表示如公式(2)：

系統(tǒng)守恒約束：

N=S(t)+E(t)+I1(t)+…+Ii(t)+…+In(t)+R(t) (i=1,2,…,n)

(2)

2.2.3 基于LDA的意見(jiàn)群體劃分 為更精準(zhǔn)地劃分意見(jiàn)群體，降低主觀因素影響，本研究采用LDA模型，對(duì)微博評(píng)論開(kāi)展主題詞分析，區(qū)分多意見(jiàn)群體。LDA是一個(gè)基于概率圖的、包含詞、主題和文檔三層結(jié)構(gòu)的貝葉斯主題概率生成模型[29]，可用于識(shí)別大規(guī)模文檔集或語(yǔ)料庫(kù)中潛藏的主題信息(見(jiàn)圖 3)。

圖3 LDA模型變量關(guān)系及文檔生成過(guò)程圖

其中，陰影節(jié)點(diǎn)為可觀測(cè)變量，其他節(jié)點(diǎn)為潛在變量或參數(shù)，箭頭表示變量或參數(shù)間的依賴關(guān)系。假定語(yǔ)料庫(kù)中共包含N個(gè)詞、K個(gè)主題和T篇文檔，文檔集T={t1,t2,…,tT}，βk表示主題k包含每個(gè)主題詞的比例；θt表示文檔t包含每個(gè)主題的比例；α和η分別是主題分布θt和主題詞分布βk的狄利克雷分布超參數(shù)；wt,n和zt,n表示文檔t中主題詞n及其所屬主題。具體提取過(guò)程表述如下：從狄利克雷分布α中隨機(jī)采樣生成文檔t的主題分布θt，從狄利克雷分布η中隨機(jī)采樣生成主題k的主題詞分布βk，根據(jù)θt生成文檔t中主題詞n的主題zt,n，根據(jù)文檔指定主題zt,n及其對(duì)應(yīng)的主題詞分布βk采樣生成主題詞wt,n。通過(guò)LDA對(duì)意見(jiàn)群體按照上述過(guò)程進(jìn)行劃分，最終生成指定主題數(shù)K個(gè)意見(jiàn)群體。

3 基于拓展SEInR的突發(fā)事件輿情風(fēng)險(xiǎn)分析

在復(fù)雜多變的宏觀市場(chǎng)環(huán)境中，企業(yè)風(fēng)控管理顯得尤為重要，尤其對(duì)于大宗商品交易屬于資金密集型行業(yè)，且受市場(chǎng)價(jià)格波動(dòng)影響大，其風(fēng)險(xiǎn)管控更是重中之重。為更好地驗(yàn)證模型的適應(yīng)性，本研究以中行原油寶事件為例，進(jìn)行模型仿真與輿情風(fēng)險(xiǎn)分析。

3.1中行“原油寶”事件梳理北京時(shí)間2020年4月21日凌晨2:30，芝加哥商品交易所(簡(jiǎn)稱芝商所)WTI原油期貨5月合約收?qǐng)?bào)-37.63美元/桶，歷史首次收于負(fù)值， “原油寶”作為一款由中國(guó)銀行做市商，掛鉤境外WTI原油期貨合約的交易產(chǎn)品，出現(xiàn)嚴(yán)重穿倉(cāng)[30]。上千持多單且未平倉(cāng)的投資者在虧完本金和保證金的同時(shí)，還需承擔(dān)所有穿倉(cāng)損失，因此引發(fā)輿情風(fēng)險(xiǎn)。4月22日中行發(fā)布兩則公告：一則聲明了芝商所官方結(jié)算價(jià)-37.63美元/桶為有效價(jià)格，將按該價(jià)格進(jìn)行移倉(cāng)或到期軋差處理，另一則強(qiáng)調(diào)將依據(jù)原油寶5月合約規(guī)定處理。當(dāng)日，該事件在全網(wǎng)引發(fā)廣泛關(guān)注，在新浪財(cái)經(jīng)關(guān)于“誰(shuí)應(yīng)該為中行原油寶穿倉(cāng)埋單”的微博投票中，約2.9萬(wàn)人選擇“中國(guó)銀行”，約占總投票人數(shù)的68%，由此，“中行原油寶”事件成為網(wǎng)民熱議的突發(fā)事件，該事件關(guān)鍵時(shí)間節(jié)點(diǎn)梳理如圖4所示(注：本文涉及時(shí)間若無(wú)特別說(shuō)明，均為北京時(shí)間)。

圖4 “中行原油寶”事件時(shí)間演化主線

3.2基于系統(tǒng)動(dòng)力學(xué)的原油寶事件分析為更好地剖析該事件各因素之間的影響，以更好地刻畫其傳播特征，為后續(xù)研究奠定基礎(chǔ)，本研究首先基于系統(tǒng)動(dòng)力學(xué)理論構(gòu)建了“中行原油寶”事件因果關(guān)系圖，如圖5所示?？偟膩?lái)說(shuō)，原油市場(chǎng)供需失衡、運(yùn)輸與存儲(chǔ)難度大、交割成本高及“負(fù)價(jià)格機(jī)制”的通過(guò)，外加空頭對(duì)多頭的狙殺，多種因素的疊加導(dǎo)致芝商所WTI原油期貨結(jié)算價(jià)跌至負(fù)數(shù)。而中行及“原油寶”產(chǎn)品在實(shí)際操作和產(chǎn)品設(shè)計(jì)中存在一定的缺陷[31]，最終造成了“原油寶”產(chǎn)品穿倉(cāng)。

圖5 基于系統(tǒng)動(dòng)力學(xué)的“中行原油寶”事件因果關(guān)系圖

3.3原油寶事件仿真與分析“中行原油寶”事件發(fā)生后，相關(guān)話題持續(xù)發(fā)酵，引起網(wǎng)民們熱議。本研究首先以“原油寶”和“油價(jià)”為關(guān)鍵詞，在新浪微博平臺(tái)，通過(guò)Python軟件自編程序采集了4月20日至5月31日輿情數(shù)據(jù)，主要字段包括用戶名、微博內(nèi)容和發(fā)布時(shí)間等，其中關(guān)鍵詞“原油寶”微博數(shù)82 889條，關(guān)鍵詞“油價(jià)”微博數(shù)75 309條，采集數(shù)據(jù)樣本共計(jì)158 198條。

數(shù)據(jù)預(yù)處理方面，考慮到同一用戶同一天內(nèi)發(fā)表多條微博的情況，將同一用戶當(dāng)天發(fā)表的最后一條微博作為該用戶當(dāng)天的代表意見(jiàn)，以此劃分用戶群體；對(duì)于只轉(zhuǎn)發(fā)微博，但不包含任何意見(jiàn)的文本，判定為無(wú)效數(shù)據(jù)剔除。在對(duì)所有數(shù)據(jù)進(jìn)行按天去重、去廣告和去無(wú)效等預(yù)處理后，余下共96 782條微博作為有效數(shù)據(jù)樣本，合計(jì)55 416名用戶。

3.3.1 模型節(jié)點(diǎn)描述及參數(shù)含義 長(zhǎng)久以來(lái)，“油價(jià)”一直是國(guó)內(nèi)外關(guān)注的熱點(diǎn)話題，負(fù)油價(jià)是“原油寶”事件的起因，網(wǎng)民對(duì)“油價(jià)”的討論符合SEInR模型中潛伏者E的定義。因此，本文采用SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型對(duì)“中行原油寶”事件進(jìn)行仿真演化分析。各節(jié)點(diǎn)狀態(tài)具體描述如下：

易感者S：尚未瀏覽油價(jià)或原油寶事件相關(guān)微博的用戶；

潛伏者E：已瀏覽相關(guān)微博，且僅針對(duì)“油價(jià)”發(fā)布微博進(jìn)行討論的用戶；

多意見(jiàn)感染者In：針對(duì)“原油寶”事件在微博上明確表態(tài)的用戶(基于LDA對(duì)關(guān)注話題進(jìn)行細(xì)分)；

免疫者R：了解相關(guān)事件，但無(wú)興趣傳播的用戶，或失去興趣不再討論的用戶。

具體參數(shù)含義及說(shuō)明如表1所示。

表1 參數(shù)含義及說(shuō)明

3.3.2 LDA意見(jiàn)劃分與SEInR仿真分析 根據(jù)對(duì)事件時(shí)間線的梳理和對(duì)微博原始文本的初步觀察，可以看出，總體上網(wǎng)民的熱議主題分為以下兩點(diǎn)：事件發(fā)生初期，多數(shù)網(wǎng)民認(rèn)為中行應(yīng)對(duì)“原油寶”穿倉(cāng)事件負(fù)主要責(zé)任；隨著銀保監(jiān)會(huì)的發(fā)聲和中行態(tài)度的軟化，網(wǎng)民更青睞進(jìn)行理性的分析，并期望該事件能依據(jù)相關(guān)法律法規(guī)得到妥善的解決。為更簡(jiǎn)明清晰地對(duì)網(wǎng)民意見(jiàn)轉(zhuǎn)變進(jìn)行仿真分析，本研究基于SEInR模型，采用LDA生成并劃分了所有關(guān)鍵詞為“原油寶”的主題，不同主題的前15個(gè)主題詞如表2所示。

兩大主題分別對(duì)應(yīng)兩種意見(jiàn)群體的意見(jiàn)，意見(jiàn)群體1聚焦“原油寶”產(chǎn)品穿倉(cāng)事件本身，意見(jiàn)群體2則更為關(guān)注相關(guān)部門和法律層面上對(duì)“原油寶”事件的后續(xù)解決。

基于微博輿情數(shù)據(jù)梳理與主題劃分，可形成“原油寶”事件實(shí)際演化趨勢(shì)如圖6(a)所示。

同時(shí)，基于LDA主題劃分以SEI2R模型仿真，結(jié)合該事件數(shù)據(jù)特征，將初始參數(shù)設(shè)置如下：

E(0)=1761,I1(0)=11,I2(0)=1,R(0)=0,S(0)=N-E(0)-I1(0)-I2(0)-R(0)=53643,α=0.01,γ1=0.01,γ2=0.005,φ=0.001,η1=0.0003,η2=0.0001,β=0.0001,μ1=μ2=0.2,ρ12=ρ21=0.1.

以Python語(yǔ)言進(jìn)行模型仿真分析可得演化比例趨勢(shì)如圖6(b)所示，對(duì)照可知與實(shí)際微博意見(jiàn)演化趨勢(shì)基本一致。

由圖6(a)可以看出，總的來(lái)說(shuō)，“原油寶”事件輿情演化呈現(xiàn)“尖峰長(zhǎng)尾”現(xiàn)象，4月21日芝商所油價(jià)收于負(fù)值的當(dāng)日，關(guān)注“油價(jià)”話題的潛伏態(tài)人數(shù)達(dá)到峰值。“原油寶”事件發(fā)生后，意見(jiàn)群體1(關(guān)注事件本身的群體)占據(jù)主導(dǎo)地位，并于4月23日達(dá)到峰值，之后總體呈下降趨勢(shì)；其中，4月27日(第8天)潛伏者E實(shí)際人數(shù)相較于前一天有所增加，是由于當(dāng)日歐佩克公布全球原油儲(chǔ)存空間將在2～3個(gè)月內(nèi)用盡，再次引發(fā)網(wǎng)民對(duì)“油價(jià)”的擔(dān)憂。后續(xù)隨著事件發(fā)展，部分網(wǎng)民轉(zhuǎn)向意見(jiàn)群體2，關(guān)注事件后續(xù)解決進(jìn)展的人群逐漸占據(jù)多數(shù)，此后網(wǎng)民逐漸降低對(duì)事件的關(guān)注，轉(zhuǎn)為免疫人群。

圖6 “原油寶”事件輿情演化趨勢(shì)仿真

由圖6(b)可知，本研究演化模型與實(shí)際演化趨勢(shì)相對(duì)比，總體演化趨勢(shì)一致，各類人群峰值出現(xiàn)時(shí)間相當(dāng)，一定程度上仿真了“原油寶”事件的輿情演化趨勢(shì)。

潛伏態(tài)分析：在油價(jià)跌至負(fù)數(shù)后，易感者S比例迅速下降，潛伏者E比例激增并達(dá)到頂峰，表明在實(shí)際輿情演化過(guò)程中，易感者S和潛伏者E的演化大都發(fā)生于輿情前期，對(duì)兩類群體的引導(dǎo)和干預(yù)應(yīng)主要作用于輿情演化的初期。

意見(jiàn)轉(zhuǎn)化分析：“原油寶”事件發(fā)生后，大多數(shù)潛伏者E首先轉(zhuǎn)為感染者I1，網(wǎng)絡(luò)輿情迅速發(fā)酵，并于第4天達(dá)到頂峰，之后轉(zhuǎn)化為感染者I2和免疫者R。感染者I2增長(zhǎng)速度和人群基數(shù)最小，約在第6天增長(zhǎng)至頂峰后緩慢下降。感染者I的變化反映了輿情的熱度變化，正確地對(duì)感染者進(jìn)行引導(dǎo)能快速降低事件的影響程度和范圍。

免疫態(tài)分析：微博信息具有碎片化、信息交互頻繁、熱點(diǎn)更新迭代快等特征，實(shí)際輿情演化中，隨著突發(fā)事件輿情的消退，絕大多數(shù)網(wǎng)民最終都會(huì)轉(zhuǎn)變?yōu)槊庖哒逺，這與模型的仿真結(jié)果吻合。免疫者R在演化全過(guò)程中，一直處于增加狀態(tài)，最終趨于平穩(wěn)。在輿情演化前期，免疫者R主要由易感者S、潛伏者E、感染者I轉(zhuǎn)變而來(lái)；而在輿情演化后期，則主要來(lái)源于各類意見(jiàn)群體I的轉(zhuǎn)化。因此，在輿情演化中后期，應(yīng)更多地關(guān)注感染者I和免疫者R，提升信息透明度和政策引導(dǎo)力度，從而加速感染者I向免疫者R的轉(zhuǎn)化。

4 基于SEInR模型的輿情管控與仿真研究

4.1平臺(tái)管控微博、微信等社交平臺(tái)擁有龐大的用戶群體，各類意見(jiàn)層出不窮，不實(shí)或極端言論容易在微博上引起軒然大波。平臺(tái)通過(guò)限制分享、禁言、限流、嚴(yán)格內(nèi)容審核條件等措施能一定程度上縮小負(fù)面輿情影響范圍，促進(jìn)易感者S直接向免疫者R(S→R)轉(zhuǎn)化?？紤]平臺(tái)管控措施的影響，即改變直接免疫系數(shù)，設(shè)置參數(shù)φ=10，其余參數(shù)不變，仿真結(jié)果如圖7所示。

圖7 平臺(tái)管控下輿情仿真結(jié)果

對(duì)照可得在輿情傳播初期，隨著微博等平臺(tái)的介入，免疫者R增長(zhǎng)速度加快，且潛伏者E和感染者I的峰值略有降低，但并不能明顯縮短突發(fā)事件輿情的持續(xù)時(shí)間。即單方面的平臺(tái)管控作用效果有限，需配合其他的引導(dǎo)和干預(yù)措施。

4.2媒體引導(dǎo)輿情傳播初期，公眾很難依靠個(gè)人能力判斷信息的準(zhǔn)確性，主流媒體與意見(jiàn)領(lǐng)袖的影響極大。因此在輿情傳播初期，更需要權(quán)威的聲音。在現(xiàn)代化社交媒體尤其是微博中，具有意見(jiàn)領(lǐng)袖特征的大V們擁有大量粉絲，其微博曝光性強(qiáng)、能被大量閱讀與轉(zhuǎn)發(fā)，在網(wǎng)絡(luò)輿情傳播中具有至關(guān)重要的樞紐作用。此外，主流媒體、管理機(jī)構(gòu)官方號(hào)因其公信力對(duì)于輿情走向具有較大影響。已有研究表明，意見(jiàn)領(lǐng)袖在信息傳播中不僅能起到擴(kuò)散信息的作用，還能通過(guò)自身情緒化表達(dá)引發(fā)受眾的憤怒、悲傷等情緒，引起意見(jiàn)群體的相互轉(zhuǎn)化，從而左右網(wǎng)絡(luò)輿情發(fā)展[32]。其作用主要體現(xiàn)在促進(jìn)或抑制易感者S向潛伏者E(S→E)、易感者S向感染者I(S→I)、潛伏者E向感染者I(E→I)、意見(jiàn)群體間(I1→I2或I2→I1)相互轉(zhuǎn)化。

考慮媒體的引導(dǎo)，將仿真實(shí)驗(yàn)分為兩組，第一組仿真意見(jiàn)群體1被抑制情形，即影響參數(shù)α=0.001、γ1=0.001、η1=0.00003、ρ12=1和ρ21=0.01；第二組仿真意見(jiàn)群體2被抑制的情形，即影響參數(shù)為α=0.001、γ2=0.0005、η2=0.00001、ρ12=0.01和ρ21=1。仿真結(jié)果如圖8所示。

圖8 媒體引導(dǎo)下輿情仿真結(jié)果

從結(jié)果對(duì)照可以看出，媒體引導(dǎo)能在一定程度下左右網(wǎng)民持有的意見(jiàn)，使某一意見(jiàn)群體處于絕對(duì)的優(yōu)勢(shì)，從而抑制另一意見(jiàn)群體基數(shù)的增長(zhǎng)。因此，當(dāng)媒體進(jìn)行積極引導(dǎo)時(shí)，其能在一定程度上降低輿情演化熱度，減少事件的負(fù)面影響。但也正是由于主流媒體的介入，加強(qiáng)了事件的曝光度，媒體引導(dǎo)可能會(huì)略微延長(zhǎng)總體輿情演化時(shí)間。

根據(jù)這一規(guī)律，在現(xiàn)實(shí)生活中，主流媒體或意見(jiàn)領(lǐng)袖通過(guò)發(fā)表正能量的評(píng)論，適當(dāng)?shù)陌l(fā)聲、正確地進(jìn)行引導(dǎo)，能引領(lǐng)突發(fā)事件輿情向積極的方向發(fā)展，從而降低其風(fēng)險(xiǎn)。

4.3監(jiān)管干預(yù)當(dāng)輿情對(duì)社會(huì)產(chǎn)生一定影響，監(jiān)管層面需采取一定的措施提高輿情透明度、引導(dǎo)輿情走向，對(duì)輿情的發(fā)展起到一定的削弱作用。監(jiān)管干預(yù)作用主要體現(xiàn)在促進(jìn)潛伏者E、感染者I向免疫者R(E→R、I→R)轉(zhuǎn)化。因此，考慮監(jiān)管干預(yù)情形，保持其他參數(shù)不變，設(shè)置參數(shù)β=0.1，μ1=μ2=2，仿真結(jié)果如圖9所示。

圖9 監(jiān)管干預(yù)下輿情仿真結(jié)果

從結(jié)果可以看出，監(jiān)管干預(yù)對(duì)輿情演化影響較大，官方干預(yù)下，雖然潛伏者E的消散周期拉長(zhǎng)，但絕大多數(shù)潛伏者E都轉(zhuǎn)化為免疫者R，極少數(shù)轉(zhuǎn)化為感染者I，輿情熱度不高，無(wú)法形成突發(fā)事件風(fēng)險(xiǎn)并對(duì)社會(huì)產(chǎn)生較大影響。

4.4治理策略與建議分析綜合上述靈敏性分析與輿情演化仿真，得出以下結(jié)論與治理建議：

a.及時(shí)應(yīng)變，把握風(fēng)險(xiǎn)管理時(shí)間窗口。研究表明突發(fā)事件網(wǎng)絡(luò)輿情爆發(fā)多集中在初期，此為風(fēng)險(xiǎn)管理時(shí)間窗口，且時(shí)長(zhǎng)較短，及時(shí)有效的對(duì)初期輿情進(jìn)行預(yù)警與導(dǎo)控，可以在很大程度上降低輿情演化熱度，縮小突發(fā)事件輿情影響范圍。

b.協(xié)同治理，加強(qiáng)主流媒體和權(quán)威信息的影響力。研究表明平臺(tái)、媒體和政府三方的管控角度不同，其影響也不盡相同。因此，面對(duì)重大突發(fā)事件輿情時(shí)，明確主體責(zé)任，加強(qiáng)多主體協(xié)作[33]，平臺(tái)嚴(yán)格內(nèi)容審核、媒體積極正向引導(dǎo)、政府增強(qiáng)信息透明度，方能夠有效引導(dǎo)網(wǎng)絡(luò)輿情，平息網(wǎng)絡(luò)噪音，切實(shí)防范突發(fā)事件輿情風(fēng)險(xiǎn)。

c.科學(xué)引導(dǎo)，加強(qiáng)監(jiān)管與應(yīng)急能力建設(shè)。對(duì)比研究表明，政府層面的積極引導(dǎo)與干預(yù)，對(duì)于網(wǎng)絡(luò)輿情走向的影響最為明顯，因此后續(xù)需持續(xù)提升突發(fā)事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)治理與應(yīng)急決策能力，構(gòu)建具有系統(tǒng)性、科學(xué)性與長(zhǎng)遠(yuǎn)性的治理策略，凝聚共識(shí)，穩(wěn)定秩序，降低風(fēng)險(xiǎn)損失。

5 結(jié) 論

本文以突發(fā)事件輿情演化與治理為對(duì)象，以系統(tǒng)動(dòng)力學(xué)與演化動(dòng)力學(xué)相關(guān)理論為基礎(chǔ)，以Python數(shù)據(jù)分析為支撐，開(kāi)展了相關(guān)理論與實(shí)證研究，展現(xiàn)了多元化信息時(shí)代突發(fā)事件輿情演化特征，以提升風(fēng)險(xiǎn)預(yù)警與治理能力。

理論層面基于傳統(tǒng)SEIR模型考慮了多意見(jiàn)競(jìng)爭(zhēng)演化機(jī)制和突發(fā)事件輿情傳播特點(diǎn)，構(gòu)建一種拓展的SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型，其中意見(jiàn)群體的劃分采用LDA算法。實(shí)證研究方面以大宗商品交易領(lǐng)域“中行原油寶”事件為例，首先運(yùn)用系統(tǒng)動(dòng)力學(xué)方法剖析了中行原油寶事件的因果關(guān)系，結(jié)合微博文本數(shù)據(jù)采集與處理，用SEInR多意見(jiàn)競(jìng)爭(zhēng)演化模型進(jìn)行輿情的演化仿真，驗(yàn)證了模型的有效性和實(shí)用性。本文研究能在一定程度上體現(xiàn)突發(fā)事件的輿情演化特征，既為突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警提供了方法支撐，又為輿情引導(dǎo)與治理提供了一定的研究思路。

在智能化、多元化背景下，網(wǎng)絡(luò)輿情演化也愈來(lái)愈復(fù)雜，本研究?jī)H以新聞與新浪微博數(shù)據(jù)作為分析樣本，存在一定局限性，后續(xù)研究中將提升數(shù)據(jù)覆蓋面，通過(guò)多源輿情數(shù)據(jù)的融合與分析提升風(fēng)險(xiǎn)預(yù)警精準(zhǔn)度。此外，對(duì)于文本信息的處理與意見(jiàn)群體的劃分方法也有待進(jìn)一步研究。