导航菜单
首页 > 管理学论文 > 情报论文 » 正文

基于VAR-SSM模型的突发事件舆情圈层扩散内生影响研究




收稿日期:2020-08-07

基金项目:中国博士后科学基金第13批特别资助项目“基于情感传播的突发事件网络舆论偏差及弥合机制研究”(项目编号:2020T130521);中国博士后科学基金第65批面上资助项目“网络突发事件公众认知偏差及引导机制”(项目编号:2019M653680)。

作者简介:阳长征(1984-),男,副教授,博士后,研究方向:新媒体用户、网络信息传播、媒介管理。

摘  要:[目的/意义]为了探索位势梯度、情感共轭与圈层扩散之间动态影响机制,对网络空间中的信息进行分类和定级,实现危机信息的差异化监控与治理。[方法/过程]本文采用向量自回归、状态空间模型及时间序列模型对位势梯度、情感共轭及圈层扩散之间关系进行分析。[结果/结论]研究发现:1)位势梯度及情感共轭的每次冲击对圈层扩散产生滞后性影响,在整个过程中呈现右偏态分布特征。2)位势梯度及情感共轭对圈层扩散波动的贡献率均较大。3)位势梯度与情感共轭对圈层扩散的边际影响变化呈倒U形抛物线特征,且均较大。4)位势梯度、情感共轭与圈层扩散之间的相互影响效应在不同人口统计学群体间存在差异。

关键词:圈层扩散;位势梯度;情感共轭;突发事件;内生影响

DOI:10.3969/j.issn.1008-0821.2020.12.004

〔中图分类号〕G206  〔文献标识码〕A  〔文章编号〕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,随着网络媒体的普遍使用,危机事件爆发变得越来越频繁,从而导致危机信息迅速扩散,并形成难以遏制之势。传播学水纹效应模型指出,信息传播过程就像在平静的湖水中扔下一颗石子,水纹就会以很快的速度向周围产生共振波,其扩散的范围和效果受到水质和水面地形的影响而有所不同。在网络空间中,信息的传播过程也具有该扩散效应[1]。而圈层扩散,是指信息在传播过程中,由于传播主体或受体在地域、政治、经济、文化及知识等维度存在相似性或相关性,从而导致该类群体在信息扩散过程中形成圈层化信息行为特征。针对网络突发事件,在水纹传播效应作用下,在事件发生之初,人们由于难以获得突发事件的确切信息,易产生从众效应,导致信息偏差及认知级联行为的产生,进而形成信息圈层化扩散,从而导致事件演化为群体极化或对事件形成舆论偏差,并影响社会稳定及健康发展。

然而,在物理学中,位势梯度是表征等压图上等高线疏密程度的一种量度。在复杂社会网络中,以网络中某节点为中心,以邻接的节点数量为距离,可形成不同等节点距离的圈层,从而使得处于网络中的用户存在类似于物理学中的位势梯度。针对突发事件,复杂网络中的坡度大小则会影响用户的信息级联意愿及从众行为,从而形成差异化舆论圈层扩散特征[2]。而共轭是指按一定规律相配的一对,在物理学中是指以某轴形成对称的两个物体。情感共轭则是指在复杂社会网络中,用户情感节点在空间位置上具有对称性,从而使得等距线上的情感分布处于叠加状态。而心理平衡理论指出认知一致性是驱动心理平衡的动力,如果情感或喜好关系处于平衡状态,则系统中的认知行为处于平稳。而当情感系统出现不平衡时,则会产生不愉快等心理压力,从而驱使主体产生设法恢复认知平衡的认知或行为。在突发事件中,情感共轭由于其情感叠加效应,可引起用户出现圈层性情感失调及认知失调,从而驱使用户产生恢复其平衡态的认知,进而导致用户对事件舆论出现对应圈层化扩散的信息行为[3]。因此,网络结构的位势梯度与情感共轭对舆论圈层扩散具有重要影响,探索之间的影响机制对于政府部门和媒体机构在突发事件网络舆情治理方面具有重要意义。在此背景下,本文探索如下问题:①突发事件中,网络空间位势梯度、情感共轭与圈层扩散间的脉冲响应效应及边际影响力如何?②变量间的脉冲响应效应及边际影响力在不同用户细分群体间的差异性如何?

1  理论模型建构

首先,將位势梯度、情感共轭及圈层扩散之间关系纳入同一理论框架,建构各内生变量相互作用、相互影响的动态VAR理论模型。其模型如下:

其中diffus为圈层扩散,conju为情感共轭,gradt为位势梯度,k为内生变量滞后阶数,εi为随机误差项。

在此基础上,对VAR模型中的位势梯度、情感共轭及圈层扩散之间脉冲响应(IRF)进行分析,其脉冲响应结构如下:

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协方差矩阵Σ上的第j列元素,εt来自yvariable,t=Φ1yvariable,t-1+…+Φ1yvariable,t-p+εvariable,t中的扰动列向量εvariable,t,Φi为系数矩阵,p为滞后阶数。

同时,为了分析VAR模型中位势梯度、情感共轭及圈层扩散变量间结构性冲击对特定内生变量变化贡献率(RVC),需对脉冲进行方差分解:

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

其中,j为对应的各影响因素,其中s为q的有限项取值,a(q)variable,j=yvariable,t+qyjt,q=0,1,2,…,t=1,2,…,T;σjj=E(ε2t)。

其次,为了分析各内生变量每一单位数值对因变量影响效应的大小,即在某一时间内自变量对因变量产生的边际影响力的动态变化过程,构建边际影响力的状态空间模型(SSM)如下:

测量方程:

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

状态方程:

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,测量方程中的解释变量为经协整检验后处于长期均衡关系的滞后第i阶的影响因子,ui1t为满足均值E(ui1t)=0和协方差矩阵var(ui1t)=Hi1t的连续的不相关扰动项,εijt为满足均值E(εijt)=0和协方差矩阵var(εijt)=Hijt的连续的不相关扰动项。

最后,为了探索变量间关系在不同区域的差异性,构建如下时间序列模型:

diffus=α1+β1*conju+γ1*gradt+μ1

gradt=α2+β2*conju+γ2*diffus+μ2

conju=α2+β3*gradt+γ3*diffus+μ3

2  变量说明与数据收集

2.1  变量说明

信息在传播过程中,设A表示某一节点存在圈层化,B表示该节点存在信息扩散,P(B|A)则表示该节点在存在圈层化特征的情况下发生信息扩散的概率,即该节点存在圈层扩散的概率。圈层化的测量则采用动态圈层化指数,考察在一个时间段内某节点的圈层集聚动态变化过程,用公式表示为:

Dij(0-t)=Sij(0-t)Si(0-t)=tPijtPij0-1t∑mj=1Pijt∑mj=1Pij0-1

式中Dij(0-t)为i节点[0-t]时间段内在j空间圈层化的动态指数,Sij(0-t)表示[0-t]时间段内i节点在j空间的圈层化水平,Si(0-t)表示[0-t]时间段内i节点在整个网络空间的平均圈层化水平,这两项指标均以几何平均值计算。Pij0与Pijt分别表示i节点在j空间期初与期末的圈层化水平值,∑mj=1Pij0与∑mj=1Pijt则分别表示i节点在整个网络空间的期初与期末圈层水平值[4]。基于上述圈层化水平测量及信息扩散测量,根据条件概率公式:P(B|A)=P(AB)P(A),并设B1,B2,…,Bn为样本空间S的一个子群圈层,即B={B1∪B2∪…∪Bn},且P(Bi)>0,i=1,2,3,…,n,则对任何事件A,P(A)>0,在根据贝叶斯公式:P(Bi|A)=P(Bi)P(A|Bi)∑nj=1P(Bj)P(A|Bj),从而可以计算出节点的圈层化扩散值。

在网络空间中,设网络空间用户所处时点的密度分布函数z=f(x,y)在平面区域D上具有一阶连续偏导数,则对于每一个点p(x,y)都可定出一个向量fx,fy=fx(x,y)+fy(x,y),该函数即为函数z=f(x,y)在点p(x,y)的梯度,记作gradf(x,y)或f(x,y),则有:gradf(x,y)=f(x,y)=fx,fy=fx(x,y)+fy(x,y),其中=x+y为向量微分算子,f=fx+fy。设e={cosα,sinβ}为方向I上的单位向量,则fl=fxcosα+fysinβ=fx,fy{cosα,sinβ}=gradf(x,y)e=gradf(x,y)ecosα[gradf(x,y),e],由于当方向I与梯度方向一致时,有cosα[gradf(x,y),e]=1。当I与梯度方向一致时,方向导数fl有最大值,且最大值为梯度的模,即gradf(x,y)=fx2+fy2。因此,函数在沿梯度方向的变化率最大,其最大值则为该梯度的模数值[5]。

在复杂社会网络中,共轭是群中的一种重要等价关系,设S、T是群G的两个非空子集,H是G的子群,若存在H中元素g使得T=g-1Sg=Sg,则称S和T关于H共轭,其中T=g-1Sg={g-1Sg|s∈S}称为S按g的变形。若S为G的子群,T称为S关于H的共轭子群;若S={s}为一个元的集合,则称t=g-1sg为s關于H的共轭元。设S是群G的一个子集,H是G的一个子群,与S关于H共轭的所有子集组成的集合称为S关于H的共轭类。当S={s}为一个元素的集合,s关于G的共轭类是元素的集合,就简称G的一个共轭类。根据定义,复数M的共轭复数记作,若M=a+ib(a,b∈R),则=a-ib(a,b∈R)[6]。

2.2  数据收集

2.2.1  样本选取

根据“人民网舆情数据中心”每年度发布的《舆情报告》排行榜单,以其中报告的每年度舆情事件为抽样框,根据《舆情报告》中对事件影响力指数的排名,并同时结合事件知名度、媒体报道程度、危机关注度、危机持续性、危机影响力及危机破坏力6个维度作为参考标准,选择“2019年湖南怀化操场埋尸事件”网络舆情作为本研究样本。选择该事件作为研究样本的优点在于,一方面,由于该突发事件的综合影响力较大,所涉事件性质为公检法类事情,与公众日常生活密切相关,公众在事件舆论上的参与程度整体上相对较高,因而其舆情演化过程的特征呈现则明显和清晰,以利于数据的分析及结论的提取;另一方面,由于该事件为近期发生,其网络舆情数据则相对易于爬取和收集,从而可提高数据的获取效率及有效性。

2.2.2  数据获取

本研究采用网络爬虫技术对样本数据进行采集,综合考虑突发事件样本信息传播过程的有效时长,确定对该样本事件舆情的跟踪时间为21天,在数据搜集过程中,为了数据整理和表达的方便,对所获取的数据进行统一编号处理,对每1位用户及其转发的信息赋予唯一的ID编号。对数据进行清洗,包括对数据一致性、重复数据、无效数据、缺失值、错误数据等可识别的不符合要求的数据和文件进行审查、校验、纠正和处理。经过数据清洗后,共获得有效数据24 713条,并根据总度数、出度数、入度数、中心度、初始语义值、滞后语义值、集聚系数、情感系数、耦合度、边度相关系数等,计算形成位势梯度系数(gradt)、情感共轭系数(conju)及圈层扩散系数(diffus)3个变量的时间序列大数据。

3  整体效应分析

3.1  VAR模型估计

在进行VAR模型构建前,需要进行Granger因果关系及稳定性检验,以确定一组时间序列是否为另一组时间序列的原因,以及VAR模型在参数及结构设定上的正确性。对模型中的变量结构进行识别和检验,分析圈层扩散、情感共轭及位势梯度之间是否存在显著性Granger因果关系,以确定VAR模型结构设定是否合理。对应的Granger因果检验结果如表1所示。

由表1可见,在位势梯度、情感共轭及圈层扩散之间的因果关系排除检验中,各变量及两两变量联合项的χ2检验对应的p值均小于0.05的显著水平,可以拒绝不存在因果关系的原假设,表明位势梯度、情感共轭及圈层扩散相互间存在因果关系。因此,在VAR模型构建中将位势梯度、情感共轭及圈层扩散作为内生变量的变量设置合理有效。

收藏此文 赞一个 ( ) 打赏本站

如果本文对您有所帮助请打赏本站

  • 打赏方法如下:
  • 支付宝打赏
    支付宝扫描打赏
    微信打赏
    微信扫描打赏
留言与评论(共有 0 条评论)
   
验证码:
二维码