陽長征

( 中國海洋大學(xué) 文學(xué)與新聞傳播學(xué)院 青島 266100)

0 引 言

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，并導(dǎo)致危機(jī)信息形成難以遏制的擴(kuò)散之勢。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，并形成水紋特征的擴(kuò)散特征和效果。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)。在信息學(xué)中，信息池化(pooling)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)散過程中形成如同“池塘”的特征。針對網(wǎng)絡(luò)突發(fā)事件，在水紋傳播效應(yīng)作用下，信息擴(kuò)散過程易于產(chǎn)生信息池化現(xiàn)象，從而導(dǎo)致輿論出現(xiàn)群體極化或輿論偏差，并影響社會穩(wěn)定及健康發(fā)展。

關(guān)于突發(fā)事件輿論的相關(guān)研究，國內(nèi)外現(xiàn)有文獻(xiàn)主要集中于從三方面展開。其一，部分學(xué)者從突發(fā)事件輿論影響因素展開，指出突發(fā)事件輿論會受到信息特征的時間距離、信息框架、信息結(jié)構(gòu)、空間距離及社會距離等因素的影響，其原因在于這類信息特征差異會影響人們的認(rèn)知，從而導(dǎo)致公眾對事件存在不同的關(guān)注度、關(guān)注時間以及參與度，進(jìn)而影響輿論的形成和發(fā)展[1]。其二，部分學(xué)者從突發(fā)事件輿論的演化過程及機(jī)制展開，指出突發(fā)事件輿論的演化特征隨著時間的推移而變化，并呈現(xiàn)某種規(guī)律特征。其中，事件性質(zhì)、平臺類型均對其演化過程產(chǎn)生影響，且可引起輿論演化過程出現(xiàn)不同波動特征[2]。針對輿論演化機(jī)制，在輿論演化過程中，存在培養(yǎng)機(jī)制、耦合機(jī)制及牽引機(jī)制等多種機(jī)制的融合。其中，媒體協(xié)同、主體驅(qū)動及意見領(lǐng)袖均可對公眾參與傾向及意愿產(chǎn)生影響，對輿論擴(kuò)散的廣度和強(qiáng)度具有推動作用[3]。其三，部分學(xué)者則從突發(fā)事件輿論偏差及引導(dǎo)路徑展開，發(fā)現(xiàn)網(wǎng)絡(luò)空間中突發(fā)事件輿論隨著時間的推移，公眾輿論會出現(xiàn)與事件客觀真相相偏離現(xiàn)象，即產(chǎn)生輿論偏差。而該偏差的產(chǎn)生，需要媒體及政府基于傳者、渠道、信息及受眾各維度進(jìn)行及時糾正和引導(dǎo)，從而減少輿論偏差給社會帶來的負(fù)面影響[4]。

關(guān)于突發(fā)事件信息池化主題的研究，國內(nèi)學(xué)者主要從與信息池化相關(guān)度較大或較近的信息波紋擴(kuò)散方面進(jìn)行研究，而關(guān)于信息波紋擴(kuò)散的研究則主要從信息圈層擴(kuò)散視角展開，其研究內(nèi)容主要集中于對信息圈層擴(kuò)散的內(nèi)涵及特征的闡述、對圈層擴(kuò)散影響因素的分析、對圈層擴(kuò)散形成機(jī)理的識別和挖掘等三個方面。而國外對信息池化的研究雖有涉及，但仍然很少，而現(xiàn)有的文獻(xiàn)主要圍繞池化的特征及池化對人們行為的影響方面展開研究，如Zai等[5]提出了校園網(wǎng)信息池化現(xiàn)象，并指出校園通信子圈是大學(xué)生信息池化行為逐漸流行的條件。Qian 等[6]指出社交網(wǎng)絡(luò)中越來越多的用戶分享行為形成了信息池化特征，且其中興趣相似性和人際影響力可增強(qiáng)空間中潛在信息池化的形成。同時，這種池化間的關(guān)聯(lián)性會隨著社交網(wǎng)絡(luò)中節(jié)點(diǎn)屬性相似性的增加而增加[7]。此外，少許文獻(xiàn)則從社會文化角度對信息池化的形成展開研究，如Michaels等人指出信息池化是一種小組交流形式，以此可建立關(guān)系網(wǎng)絡(luò)和社區(qū)意識，且所有個人及觀點(diǎn)都可參與其中，從而得以產(chǎn)生共同信息池化行為[8]。

總體而言，在突發(fā)事件輿論信息行為方面，國內(nèi)雖有相關(guān)文獻(xiàn)對突發(fā)事件輿論影響因素、輿論演化過程與機(jī)制、輿論偏差及引導(dǎo)等方面進(jìn)行研究，但關(guān)于輿論場域信息池化內(nèi)容的研究依然缺乏。而國外關(guān)于信息池化的研究雖有涉及，但仍然很少，在現(xiàn)有少量研究中則主要集中于信息池化的內(nèi)涵、特征、影響因素及淺層的影響機(jī)理方面的探討和分析，尚屬于對信息池化研究的初期階段。然而，在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，通透粘性是指系統(tǒng)中各節(jié)點(diǎn)出度或入度的邊之間相互依存、相互作用、相互影響的程度，是兩個構(gòu)件相互依賴于對方程度的一個量度。在網(wǎng)絡(luò)空間中，當(dāng)節(jié)點(diǎn)間通透粘性較強(qiáng)時，某個節(jié)點(diǎn)的用戶或信息發(fā)生變化，則能通過其中的邊度關(guān)系影響到其它節(jié)點(diǎn)，從而可將特定節(jié)點(diǎn)的信息變化傳導(dǎo)至另一節(jié)點(diǎn)，并出現(xiàn)相似的變化，該過程則為信息池化的過程。同時，情感作為網(wǎng)絡(luò)輿論演化的重要動力，情感粒度則是用戶在主觀體驗(yàn)中辨別情感及情緒的能力，而用戶傾向于使用離散的情感標(biāo)簽而非全局的情感狀態(tài)來體察自身的情感。當(dāng)突發(fā)事件發(fā)生后，情感粒度的差異在公眾中則可影響網(wǎng)絡(luò)動員，并促進(jìn)網(wǎng)民的情感共振與話語協(xié)同，從而產(chǎn)生信息池化現(xiàn)象。由此可見，輿論場域通透粘性與情感粒度是信息池化的重要影響因素，而過去文獻(xiàn)在通透粘性、情感粒度與信息池化之間關(guān)系研究的方面缺乏，這給本研究問題的選擇及理論框架建構(gòu)留下了空間。在此背景下，本文將探索如下問題：突發(fā)事件中，網(wǎng)絡(luò)空間通透粘性、情感粒度與信息池化間的脈沖響應(yīng)效應(yīng)及邊際影響力如何？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

首先，將通透粘性、情感粒度及信息池化之間關(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：

(1)

其中，pool為信息池化，gran為情感粒度，stic為通透粘性，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模型中的通透粘性、情感粒度及信息池化之間脈沖響應(yīng)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)=

(2)

同時，為了分析 模型中通透粘性、情感粒度及信息池化變量間結(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：

(3)

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：

(4)

狀態(tài)方程：

(5)

其中，測量方程中的解釋變量為滯后第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)建如下面板數(shù)據(jù)模型：

(6)

2 變量與數(shù)據(jù)

2.1變量說明a.信息池化。信息池化的測量則采用動態(tài)池化指數(shù)，考察在一個時間段內(nèi)某節(jié)點(diǎn)的圈層集聚動態(tài)變化過程，用公式表示為：

(7)

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(jié)合事件知名度、媒體報道程度、危機(jī)關(guān)注度、危機(jī)持續(xù)性、危機(jī)影響力及危機(jī)破壞力等6個維度作為參考標(biāo)準(zhǔn)[13]，梳理和分析我國于2015-2020年所發(fā)生的突發(fā)事件，最終確定選擇11個具有代表性的突發(fā)事件作為本研究樣本，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、教育等大多數(shù)領(lǐng)域。其樣本分布特征如表1所示。

表1 突發(fā)事件樣本分布特征

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(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)54 793條，根據(jù)所爬取字節(jié)和內(nèi)容進(jìn)行識別、分析、提取、賦值，并計(jì)算形成包含信息池化系數(shù)(pool)、情感粒度系數(shù)(gran)與通透粘性系數(shù)(stic)三個變量的面板大數(shù)據(jù)。

3 整體效應(yīng)分析

3.1VAR模型估計(jì)首先，采用ADF方法對信息池化、通透粘性及情感粒度三個序列進(jìn)行平穩(wěn)性檢驗(yàn)，以確定是否需構(gòu)建向量誤差修正模型，其檢驗(yàn)結(jié)果如表2所示。

表2 各序列ADF平穩(wěn)性檢驗(yàn)

表2檢驗(yàn)結(jié)果顯示，信息池化、通透粘性及情感粒度三個序列的檢驗(yàn)統(tǒng)計(jì)量值均小于1%臨界值，即檢驗(yàn)p值大于0.01顯著水平，拒絕原假設(shè)，表明三個變量的原序列不存在單根，即序列平穩(wěn)，故不需構(gòu)建向量誤差修正模型，直接構(gòu)建VAR模型。

為了進(jìn)一步了解信息池化、通透粘性及情感粒度之間影響的滯后時間長度，需對VAR模型中內(nèi)生變量滯后長度進(jìn)行識別和判斷。其判斷結(jié)果見表3。

表3 時滯長度選擇標(biāo)準(zhǔn)

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)，由表3可見，VAR模型的最佳時間滯后長度為2期。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(yàn)。其單根穩(wěn)定性檢驗(yàn)結(jié)果顯示，代表AR特征根倒數(shù)的模的點(diǎn)均落在單位圓內(nèi)，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，無需重新構(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(jì)，其結(jié)果如表4所示。

由表4可見，VAR模型的三個方程中各項(xiàng)系數(shù)顯著性檢驗(yàn)的|t|值均大于1.96，表明模型中各系數(shù)t檢驗(yàn)在0.05水平下顯著。同時，各方程可決系數(shù)R-squared值均大于0.70，樣本容量為21，且模型F檢驗(yàn)對應(yīng)的p值均小于0.05，即各方程在0.05顯著水平下均達(dá)到顯著水平，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)果可用于信息池化、通透粘性及情感粒度之間動態(tài)影響的相關(guān)分析。

表4 VAR模型參數(shù)估計(jì)結(jié)果

3.2脈沖響應(yīng)為了揭示通透粘性、情感粒度及信息池化之間的動態(tài)擾動特征，在VAR模型估計(jì)基礎(chǔ)上分別對情感粒度、通透粘性及信息池化進(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，在第一行脈沖圖中，當(dāng)信息池化、通透粘性及情感粒度受到一個正向沖擊時，通透粘性的自相關(guān)效應(yīng)對自身迅速產(chǎn)生沖擊影響，且影響效應(yīng)為較大的正向波動，情感粒度及信息池化的沖擊影響并非迅速傳導(dǎo)至通透粘性。其中，情感粒度的影響最大，信息池化與通透粘性自相關(guān)效應(yīng)的沖擊均較大。在第二行脈沖圖中，通透粘性沖擊及情感粒度自相關(guān)效應(yīng)對情感粒度均迅速產(chǎn)生正向影響，且影響效應(yīng)均較大，而信息池化的沖擊并未迅速對情感粒度產(chǎn)生影響。其中，情感粒度自相關(guān)效應(yīng)的影響最大，信息池化與通透粘性的沖擊均較大。在第三行脈沖圖中，信息池化自相關(guān)效應(yīng)、通透粘性及情感粒度的每次沖擊可迅速傳導(dǎo)至信息池化，滯后三期內(nèi)具有較大影響，并呈逐漸減弱趨勢。其中，信息池化自相關(guān)效應(yīng)最大，通透粘性及情感粒度的沖擊效應(yīng)也均較大。

關(guān)于通透粘性、情感粒度及信息池化之間存在滯后脈沖影響效應(yīng)，在突發(fā)事件網(wǎng)絡(luò)信息傳播中，當(dāng)網(wǎng)絡(luò)通透粘性較大及情感粒度較大時，在該粘性及情感作用下，用戶間可產(chǎn)生較強(qiáng)的群體成員關(guān)系，并易于形成認(rèn)知接近的內(nèi)群體，從而可借助群體力量推動事件解決，以及通過群體進(jìn)行情感分享以降低情感壓力。在影響效應(yīng)上，相對外群體而言，內(nèi)群體對用戶的影響更加明顯，無論是在社會規(guī)范、行為方式還是生活習(xí)慣上，個人傾向于與所屬群體保持一致。因此，通透粘性及情感粒度易于使用戶形成內(nèi)群體，并出現(xiàn)從眾效應(yīng)，進(jìn)而產(chǎn)生信息池化行為。

3.3貢獻(xiàn)率分解為了比較通透粘性、情感粒度及信息池化相互擾動效應(yīng)的大小，從而識別出不同影響因素對通透粘性、情感粒度及信息池化影響的重要程度，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。

圖2 方差分解分析

由圖2可見，在信息池化方差分解中，在前六期信息池化自相關(guān)的影響較大且逐漸下降，情感粒度的影響相對較小且快速上升，其影響于滯后六期后趨向平穩(wěn)，通透粘性在整個過程中對波動的貢獻(xiàn)率較小。對于整個過程，情感粒度對信息池化波動的貢獻(xiàn)率約為43%，信息池化自相關(guān)效應(yīng)約為41%，通透粘性影響效應(yīng)約為17%。情感粒度自相關(guān)效應(yīng)對情感粒度波動的貢獻(xiàn)率約為64%，信息池化影響效應(yīng)約為27%，通透粘性影響效應(yīng)約為9%。情感粒度對通透粘性波動的貢獻(xiàn)率約為60%，通透粘性自相關(guān)效應(yīng)約為18%，信息池化的影響效應(yīng)約為22%。

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)一步了解通透粘性、情感粒度及信息池化之間的邊際影響力，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，從而揭示通透粘性、情感粒度及信息池化之間影響效應(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，通透粘性與情感粒度對信息池化的邊際影響力變化呈倒U形拋物線特征。其中，通透粘性對信息池化系數(shù)的邊際影響力先快速上升，其后緩慢下降。情感粒度對信息池化系數(shù)的邊際影響力先波動上升，其后快速下降。

圖4結(jié)果顯示，通透粘性與信息池化對情感粒度的邊際影響力變化呈U形特征。其中，通透粘性對情感粒度系數(shù)的邊際影響力先快速下降，其后快速上升。信息池化對情感粒度系數(shù)的邊際影響力也先逐漸下降，其后緩慢上升。

圖4 情感粒度邊際影響分析

圖5結(jié)果顯示，信息池化與情感粒度對通透粘性的邊際影響力變化呈倒U形拋物線特征。其中，情感粒度對通透粘性系數(shù)的邊際影響力先下降，其后波動上升，其后緩慢下降。信息池化對通透粘性系數(shù)的邊際影響力先快速上升，其后緩慢下降。

圖5 通透粘性邊際影響分析

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)歷的群體在通透粘性、情感粒度及信息池化之間的影響效應(yīng)上存在差異。因此，為了探索不同用戶群體間的差異性，采用面板數(shù)據(jù)模型對數(shù)據(jù)進(jìn)行擬合和分析。

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5所示。

表5 群組面板模型擬合結(jié)果

表5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，對于信息池化方程，情感粒度變量的系數(shù)β1值呈現(xiàn)出大于通透粘性變量對應(yīng)的系數(shù)γ1值，表明情感粒度對信息池化的影響效應(yīng)大于通透粘性的影響效應(yīng)。對于通透粘性方程，情感粒度變量的系數(shù)β2值呈現(xiàn)出大于信息池化變量對應(yīng)的系數(shù)γ2值，表明情感粒度對通透粘性的影響效應(yīng)大于信息池化的影響效應(yīng)。對于情感粒度方程，通透粘性變量的系數(shù)β3值呈現(xiàn)出大于信息池化變量對應(yīng)的系數(shù)γ3值，表明通透粘性對情感粒度的影響效應(yīng)大于信息池化的影響效應(yīng)。

從表中的橫向結(jié)果數(shù)據(jù)看，對于信息池化方程，根據(jù)各變量系數(shù)大小，通過比較情感粒度變量的系數(shù)β1值及通透粘性變量系數(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。

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，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，現(xiàn)采用廣義脈沖方法替代，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。而在進(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(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。

兩種方法估計(jì)結(jié)果及差異性檢驗(yàn)結(jié)果顯示，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

通過具有代表性的11個突發(fā)事件面板大數(shù)據(jù)，探索了通透粘性、情感粒度及信息池化之間動態(tài)影響，得出如下研究結(jié)論：

第一，當(dāng)信息池化、通透粘性及情感粒度受到一個正向沖擊時，通透粘性的自相關(guān)效應(yīng)對自身迅速產(chǎn)生沖擊影響，且影響效應(yīng)為較大的正向波動，情感粒度及信息池化的沖擊影響并非迅速傳導(dǎo)至通透粘性。其中，情感粒度的影響最大，信息池化與通透粘性自相關(guān)效應(yīng)的沖擊均較大。通透粘性沖擊及情感粒度自相關(guān)效應(yīng)對情感粒度均迅速產(chǎn)生正向影響，且影響效應(yīng)均較大，而信息池化的沖擊并未迅速對情感粒度產(chǎn)生影響。其中，情感粒度自相關(guān)效應(yīng)的影響最大，信息池化與通透粘性的沖擊均較大。信息池化自相關(guān)效應(yīng)、通透粘性及情感粒度的每次沖擊可迅速傳導(dǎo)至信息池化，滯后三期內(nèi)具有較大影響，并呈逐漸減弱趨勢。其中，信息池化自相關(guān)效應(yīng)最大，通透粘性及情感粒度的沖擊效應(yīng)也均較大。

第二，對于整個過程，情感粒度對信息池化波動的貢獻(xiàn)率最大，信息池化自相關(guān)效應(yīng)較大，通透粘性影響效應(yīng)較小。情感粒度自相關(guān)效應(yīng)對情感粒度波動的貢獻(xiàn)率最大，信息池化影響效應(yīng)較大，通透粘性影響效應(yīng)較小。情感粒度對通透粘性波動的貢獻(xiàn)率最大，通透粘性自相關(guān)效應(yīng)及信息池化的影響效應(yīng)均較大。

第三，通透粘性與情感粒度對信息池化的邊際影響力變化呈倒U形拋物線特征，通透粘性與信息池化對情感粒度的邊際影響力變化呈U形特征，信息池化與情感粒度對通透粘性的邊際影響力變化呈倒U形拋物線特征。

第四，情感粒度對信息池化的影響效應(yīng)大于通透粘性的影響效應(yīng)，情感粒度對通透粘性的影響效應(yīng)大于信息池化的影響效應(yīng)，通透粘性對情感粒度的影響效應(yīng)大于信息池化的影響效應(yīng)。

關(guān)于通透粘性與情感粒度對信息池化滯后影響效應(yīng)的形成，一方面，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，刺激個體的想法使創(chuàng)新更有可能，因而在該類群體中不易于產(chǎn)生從眾效應(yīng)，其信息池化也越弱。如果該系統(tǒng)主要由較強(qiáng)關(guān)系成員構(gòu)成，用戶間具有較高的相似性，所獲得的信息具有較大程度趨同，通過強(qiáng)關(guān)系傳播的信息更可能局限于較小的社會空間范圍。由于人們慣于通過該強(qiáng)關(guān)系圈子進(jìn)行交流，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，其中多數(shù)信息具有相似性[14]。因而，通透粘性較大時，人們易于產(chǎn)生信息從眾心理，其信息池化程度也越高。另一方面，有限理性理論指出，大多數(shù)人只是部分理性，在他們其余的行為中是非理性的，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策問題的易處性、思維的認(rèn)知局限性以及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[15]，其中情感粒度則是人們認(rèn)知中非理性的重要影響因素。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)了人們易于產(chǎn)生從眾效應(yīng)，從而信息池化程度也越高。

該研究結(jié)論對突發(fā)事件中用戶信息池化行為的管控和治理具有啟示意義。首先，在信息池化行為管控及治理過程中，應(yīng)重點(diǎn)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)散控制的最佳時間。同時，降低因通透粘性而引起的不準(zhǔn)確信息的快速擴(kuò)散，以及因客觀信息披露不及時而導(dǎo)致用戶信息池化效應(yīng)，從而引起小道消息的快速和廣泛流動。通過對用戶情感的疏導(dǎo)及信息池化現(xiàn)象的管控，及時搶占網(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，通過對用戶情感粒度的監(jiān)管，既能減少用戶信息池化，也能降低通透粘性的概率。同時，通過對通透粘性的管控，既能減少用戶信息池化的負(fù)面效應(yīng)，也能降低用戶因情感粒度增大而引起情緒極化的風(fēng)險。即通過對突發(fā)事件中用戶情感粒度和通透粘性的管控，可較好的實(shí)現(xiàn)降低用戶情感粒度、弱化通透粘性、降低用戶信息池化三者間的良性循環(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信息池化而引發(fā)輿情失控的風(fēng)險和概率。最后，由于情感粒度、通透粘性及信息池化之間相互影響效應(yīng)在不同用戶類型上存在差異，因此在突發(fā)事件信息池化行為治理過程中，對用戶信息池化行為可采取用戶細(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)、通透粘性管控及信息池化監(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歲及以下用戶的引導(dǎo)和監(jiān)管，其次為30歲至49歲的用戶。