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

在Granger因果关系检验的基础上,为了进一步了解位势梯度、情感共轭及圈层扩散之间影响的滞后时间长度,需对VAR模型进行统计分析和时滞长度判断。根据LR检验,以及FPE、AIC、SC、HQ信息准则最小化的标准,对应的统计结果显示,VAR模型的最佳时间滞后长度为2期。

以内生变量滞后2阶建构VAR模型,并对其进行模型估计,其结果如表2所示。

由表2可见,VAR模型的3个方程中各项系数显著性检验的值均大于0.05显著水平对应的临界值1.96。同时,可决系数R-squared值均大于0.80,表明所构建的VAR模型与样本数据拟合度良好,该估计结果可用于位势梯度、情感共轭及圈层扩散之间动态影响的相关分析。

3.2  脉冲响应

脉冲响应函数(IRF)是用来分析VAR模型的一种方法,对模型中每个变量间受到外界冲击时,其它各变量对该冲击所作出的响应情况,包括响应的大小、响应滞后长度、响应的变化过程等内容。为了揭示位势梯度、情感共轭及圈层扩散之间的动态扰动特征,在VAR模型估计基础上分别对位势梯度、情感共轭及圈层扩散进行脉冲响应分析。对应分析结果如图1所示。

由图1可见,在第1行脉冲图中,当圈层扩散、位势梯度及情感共轭受到一个正向冲击时,圈层扩散迅速产生自相关冲击,位势梯度及情感共轭的每次冲击带来的影响并非迅速传导至圈层扩散,而是在滞后第3~6期影响效应达到正向最大值,其后呈逐渐减弱趋势,在整个过程中均呈现右偏态分布特征。其中,圈层扩散自相关影响效应最大,且较大值持续的时间最长,位势梯度冲击及情感共轭也均较大。在第2行脉冲图中,情感共轭的自相关效应及圈层扩散的冲击对情感共轭均迅速产生影响,且影响效应均为较大的正向波动,位势梯度冲击的影响并非迅速传导至情感共轭。其中,圈层扩散及情感共轭自相关效应的影响最大,位势梯度的冲击均较大。在第3行脉冲图中,圈层扩散、情感共轭及位势梯度自相关效应对位势梯度均迅速产生正向影响,且圈层扩散的影响最大,情感共轭与位势梯度自相关效应的冲击均较大。

3.3  贡献率分解

为了比较位势梯度、情感共轭及圈层扩散相互扰动效应的大小,从而识别出不同影响因素对位势梯度、情感共轭及圈层扩散影响的重要程度,需在上述各影响因素动态扰动特征分析的基础上,分别对各因素的波动贡献率进行方差分解。其方差分解结果如图2所示。

由图2可见,在圈层扩散方差分解中,在前二期圈层扩散自相关的影响较大且快速下降,情感共轭的影响相对较小且快速上升,其影响于滞后6期后趋向平稳,位势梯度在整个过程中对波动的贡献率较小。对于整个过程,情感共轭对圈层扩散波动的贡献率约为7%,圈层扩散自相关效应约为81%,位势梯度影响效应约为12%。情感共轭自相效应对情感共轭的贡献率约为13%,位势梯度影响效应约为13%,圈层扩散的影响效应约为74%。位势梯度自相关效应对位势梯度波动的贡献率约为12%,圈层扩散影响效应約为76%,情感共轭影响效应约为12%。

4  边际效应分析

4.1  边际影响力

在上述脉冲波动分析基础上,为了进一步了解位势梯度、情感共轭及圈层扩散之间的边际影响力,在此使用状态空间模型对各变量之间边际影响力的变化过程进行分析,从而揭示位势梯度、情感共轭及圈层扩散之间影响效应的波动过程特征。其状态空间模型分析结果如图3~5所示。

图3结果显示,位势梯度与情感共轭对圈层扩散的边际影响力变化呈倒U形抛物线特征。其中,位势梯度对圈层扩散系数的边际影响力先快速上升,其后缓慢下降。情感共轭对圈层扩散系数的边际影响力先波动上升,其后快速下降。在事件演化过程中,情感共轭及位势梯度对圈层扩散的边际影响效应的均值较大,且持续的时间均较长。

图4结果显示,位势梯度与圈层扩散对情感共轭的边际影响力变化呈倒U形抛物线特征。其中,位势梯度对情感共轭系数的边际影响力先快速上升,其后缓慢下降。圈层扩散对情感共轭系数的边际影响力也先快速上升,其后缓慢下降。在事件演化过程中,位势梯度及圈层扩散对情感共轭的边际影响效应的均值较大,且持续的时间均较长。

图5结果显示,圈层扩散与情感共轭对位势梯度的边际影响力变化呈倒U形抛物线特征。其中,圈层扩散对位势梯度系数的边际影响力先快速上升,其后缓慢下降。情感共轭对位势梯度系数的边际影响力先波动上升,其后缓慢下降。在事件演化过程中,情感共轭及圈层扩散对位势梯度的边际影响效应的均值较大,且持续的时间均较长。

4.2  群组差异性

由于各类用户群体在社会角色及认知心理上的差异,从而导致不同性别、年龄及学历的群体在位势梯度、情感共轭及圈层扩散之间的影响效应上存在差异。因此,为了探索不同用户群体间的差异性,采用时间序列模型对不同群组的影响效应进行分析。使用Eviews10.0计量软件对模型进行拟合,其拟合结果如表3所示。

表3拟合结果显示,从表中的纵向结果数据看,根据各变量系数大小,对于圈层扩散方程,情感共轭变量的系数β1值呈现出大于位势梯度变量对应的系数γ1值,表明情感共轭对圈层扩散的影响效应大于位势梯度的影响效应。对于位势梯度方程,情感共轭变量的系数β2值呈现出大于圈层扩散变量对应的系数γ2值,表明情感共轭对位势梯

度的影响效应大于圈层扩散的影响效应。对于情感共轭方程,位势梯度变量的系数β3值呈现出大于圈层扩散变量对应的系数γ3值,表明位势梯度对情感共轭的影响效应大于圈层扩散的影响效应。

从表中的横向结果数据看,对于圈层扩散方程,根据各变量系数大小,通过比较情感共轭变量的系数β1值及位势梯度变量系数γ1值,结果显示:对于β1值及γ1值,在性别群组上,女性大于男性;在年龄群组上,29岁及以下群组最大,30~49岁群组较大,50岁及以上群组最小;在学历群组上,小学及以下群组最大,中学群组较大,大学及以上群组最小。

5  稳健性分析

本文从替换估计方法方面考虑模型估计结果的稳健性,在VAR模型脉冲响应分析时,之前采用了残差协方差矩阵的Cholesky因子的逆来正交化脉冲,该方法是通过给VAR模型的变量强加一个次序,并将所有影响变量的公共因素归结于VAR模型中第一次出现的变量上。现采用广义脉冲方法替代,即构建一个不依赖于VAR模型中变量次序的正交化的残差矩阵。而在进行区域差异性分析时,采用工具变量的二阶段最小二乘法替代上述采用的最小二乘法对模型进行估计。

在状态空间模型中,其算法包括“Marquardt”和“BHHH”估计方法。之前采用Marquardt进行估计,可以提供数值非线性最小化解决方案。现采用BHHH算法替代,使用从上次迭代获得的参数拟合值来运算多元变量模型的残差项的方差与协方差矩阵,并运算新的搜索方向,以获得收敛的最佳算法。

根据分析结果,采用上述替代方法进行模型拟合,不同方法模型拟合的各路径系数p值均小于0.05的显著水平,以及系数差异性检验p值均大于0.05的显著水平,检验结果显示采用替代方法估计后的各模型參数值在逻辑关系和逻辑结构上与初始所采用的指标建构的模型分析结果一致,表明上述建构的理论模型及分析结果具有良好的稳健性。

6  结论与启示

通过2019年湖南怀化操场埋尸事件作为样本收集数据,探索了位势梯度、情感共轭及圈层扩散之间动态影响,得出如下研究结论:

1)当圈层扩散、位势梯度及情感共轭受到一个正向冲击时,圈层扩散迅速产生自相关冲击,位势梯度及情感共轭的每次冲击带来的影响并非迅速传导至圈层扩散,在整个过程中均呈现右偏态分布特征。其中,圈层扩散自相关影响效应最大,且较大值持续的时间最长,位势梯度冲击效应及情感共轭冲击效应也均较大。情感共轭的自相关效应及圈层扩散的冲击对情感共轭均迅速产生影响,且影响效应均为较大的正向波动,位势梯度冲击的影响并非迅速传导至情感共轭。其中,圈层扩散及情感共轭自相关效应的影响最大,位势梯度的冲击均较大。圈层扩散、情感共轭及位势梯度自相关效应对位势梯度均迅速产生正向影响,且圈层扩散的影响最大,情感共轭与位势梯度自相关效应的冲击均较大。

2)情感共轭对圈层扩散波动的贡献率最小,圈层扩散自相关效应最大,位势梯度影响效应较大。情感共轭自相效应及位势梯度对情感共轭的贡献率较大,圈层扩散的影响效应最大。位势梯度自相关效应及情感共轭影响效应对位势梯度波动的贡献率较大,圈层扩散影响效应最大。

3)位势梯度与情感共轭对圈层扩散的边际影响力变化呈倒U形抛物线特征,且边际影响效应均较大,且持续的时间均较长。位势梯度与圈层扩散对情感共轭的边际影响力变化呈倒U形抛物线特征,且边际影响效应均较大,且持续的时间均较长。圈层扩散与情感共轭对位势梯度的边际影响力变化呈倒U形抛物线特征,且边际影响效应均较大,且持续的时间均较长。

4)情感共轭对圈层扩散的影响效应大于位势梯度的影响效应,情感共轭对位势梯度的影响效应大于圈层扩散的影响效应,位势梯度对情感共轭的影响效应大于圈层扩散的影响效应。情感共轭及位势梯度对圈层扩散的影响,在性别群组上,女性大于男性;在年龄群组上,29岁及以下群组最大,30~49岁群组较大,50岁及以上群组最小;在学历群组上,小学及以下群组最大,中学群组较大,大学及以上群组最小。

针对位势梯度对舆论圈层扩散行为具有滞后影响效应的研究结论,社会网络理论指出,社会网络是由诸多节点构成的一类社会结构,节点代表着个人或组织,整个社会网络代表各种社会关系。而位势梯度作为单位时间或单位距离内主体相邻位置上用户密度变化的程度,位势梯度越大则表明用户所处网络密度越大,则使得用户群体形成一定的层次现象。然而,弱关系理论指出,在人际关系较弱的社会系统中,人们可从广泛的信源获得更多样化的信息,通过刺激个体的想法从而使创新更有可能,因而在弱关系群体中不易于产生从众效应,其圈层扩散性也越弱。若系统主要由强关系成员构成,用户间具有较高的相似性,则所获得的信息具有较大程度趋同,所传播的信息更可能局限于较小的社会空间范围,从而个体主动获取信息的信源范围则较小,且信息多样化程度较低,信息具有较大相似性[7]。因而,位势梯度较大时,人们易于产生信息从众心理,其圈层扩散性也越高。

针对情感共轭对舆论圈层扩散行为具有滞后影响效应的研究结论,在社会学和社会心理学中,内群体是指一个人在心理上被识别为成员的社会群体,外群体是一个人无法识别或识别为不属于其中成员的社会群体。如果个体相信其属于某内群体,他们将持积极态度,并在该群体中具有归属感,即形成内群体偏好,同时对外群体持有消极态度及不平等看法。而情感作为网络舆论演化的重要动力,其传播过程则是情绪载体通过所嵌入的社会网络进行传导和扩散,形成情感互动,并建立起特定情感关系的过程[8]。在突发事件网络舆论中,当存在情感共轭时,则会在同一等距线上产生情感叠加、情感共振与话语协同,在公众中可形成大规模网络动员,并形成内群体,从而形成圈层扩散效应。而在不同等距线间,则形成不同特征的圈层结构。

该研究结论对突发事件中用户圈层扩散行为的管控和治理具有启示意义。首先,由于位势梯度及情感共轭对圈层扩散的冲击影响效应较大,且位势梯度对圈层扩散的边际影响效应大于情感共轭的影响。因此,在圈层扩散行为管控及治理过程中,应重点降低因位势梯度而引起的不准确信息的快速扩散,尤其因客观信息披露不及时而导致用户圈层扩散效应,从而引起小道消息的快速和广泛流动。同时,加强用户情感引导及情绪疏通工作,尤其在突发事件发生的初期则为情绪引导和情感扩散控制的最佳时间。通过对用户位势梯度、情感疏导及圈层扩散现象的管控,及时抢占网络话语主动权,从而降低用户认知偏差的产生和聚变。其次,由于情感共轭的自相关滞后效应及位势梯度的冲击对情感共轭存在显著影响,情感共轭冲击及位势梯度自相关效应对位势梯度存在显著影响。因此,通过对用户情感共轭的监管,既能减少用户圈层扩散,也能降低位势梯度。同时,通过对位势梯度的管控,既能减少用户圈层扩散的负面效应,也能降低用户因情感共轭增大而引起情绪极化的风险。通过对突发事件中用户情感共轭和位势梯度的管控,可较好地实现降低用户情感共轭、弱化位势梯度、降低用户圈层扩散三者间的良性循环,实现关键影响因素的源头性协同治理,从而大幅降低因用户圈层扩散而引发舆情失控的风险和概率。最后,由于情感共轭、位势梯度及圈层扩散之间相互影响效应在不同用户类型上存在差异,因此在突发事件圈层扩散行为治理过程中,对用户圈层扩散行为可采取用户细分差异化策略,根据不同用户类型制定有针对性的监控和管理措施。具体而言,在进行情感引导、位势梯度管控及圈层扩散监控过程中,在性别方面,应加强对女性用户的重点监控;在年龄层面,重点加强对29岁及以下用户群体的引导和监管,其次为30~49岁的用户群体;在学历层面,重点加强对小学及以下用户群体的引导和监管,其次为中学学历的用户群体。

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