基于超網絡的輿情演化多主體建模

馬 寧，劉怡君

（中國科學院a.科技政策與管理科學研究所；b.自然與社會交叉科學研究中心，北京 100190）

隨著信息技術飛速發展，互聯網成為繼報紙、廣播和電視之后的“第四媒體”，成為反映社會輿情的主要載體之一，且網絡輿情傳播具有直接性、突發性和偏差性等特點。網民可通過微博、論壇、新聞點評等，直接快速發表意見，民意表達更加便捷；網絡輿情的形成非常迅速，某熱點事件的存在再加上某種情緒化的意見，就可成為點燃一片輿論的導火索；又由于網民發言具有一定的身份隱蔽性，網絡成為部分網民發泄灰色情緒，甚至散布謠言的自由空間。在政府與網民的交鋒中，政府越來越感受到被集體凝視和挑戰的壓力，大聲疾呼被視為托辭辯解，沉默無語被認定俯首認罪，若不采取合理措施對網絡輿情進行引導監管，將直接影響和危害社會穩定與國家安全。因此，網絡輿情的傳播機理、演化態勢及預警分析等成為新的研究熱點。

網絡輿情演化研究主要有3個視角：

（1）社會科學視角。以社會學、社會心理學和新聞傳播學等為代表的社會科學側重于定性描述輿論演化機理，主要對網絡輿情的基本概念、特點和引導方法等進行定性研究。

（2）建模仿真視角。對輿論進行建模并仿真模擬是當前人們研究輿情演化過程的重要方法之一，其目標是在一定的輿論環境下，用模型來描述個體進行觀點交互的特征和規律，還原并解釋現實生活中的輿論形成與演化現象［1］。

（3）復雜網絡視角。通過構建人與人之間交流的復雜網絡能夠很好地把握輿論傳播網的拓撲結構，以及其中各輿論參與者的關系，如已有研究基于社會網絡分析法（Social Network Analysis，SNA）對輿論傳播的網絡拓撲結構特征進行定量測算［2-5］、對輿論演化過程中的輿論領袖進行識別［6-8］等。在對網絡輿情研究的復雜網絡視角中，值得一提的是輿情超網絡（Opinion SuperNetwork，OSN）的相關研究［9-13］，該研究創新性地利用超網絡的多層、多級等屬性將網絡輿情中的5W1H（when、where、who、what、why、how）六要素融為一體，深入刻畫了網絡輿情的發生、發展過程和動態演化機理。

通過對輿情演化相關研究的梳理，發現目前已有將復雜網絡結構與多主體建模方法相結合的研究，且集中在基于社會網絡分析的多主體建模仿真（即SNA+MAS）［14-17］，尚無研究將超網絡分析與多主體建模仿真方法相結合（即OSN+MAS），但是，傳統的社會網絡分析只關注網絡中“人”之間關系的變化問題，對輿情演化的“環境外驅動力”、“心理內驅動力”等動態屬性等內容未加考慮，而超網絡分析則可以同時綜合考慮以上多種屬性，從多角度更好地刻畫輿論的動態形成及演化特征。因此，本文創新性地將超網絡分析與多主體建模方法相結合并應用于網絡輿情演化研究中，充分把握輿情演化的時空耦合過程，將輿情演化過程中的網絡結構和網民行為進行綜合分析，重點探討輿情演化過程中政府搶占輿論先機的重要作用、輿論領袖對大眾網民的引導作用和網民發表觀點形成輿論場的控制作用，并運用Net Logo仿真平臺對具體輿情實例進行仿真，證明了模型的合理性和有效性，希望為政府有效控制網絡輿情的事態發展提供決策依據。

1 基于超網絡的輿情演化建模思想

1.1 輿情超網絡模型

輿情超網絡模型的構成要素包括輿論主體、環境外驅動力、心理內驅動力和觀點關鍵詞，這4種構成要素的關聯關系是：輿論主體在環境外驅動力和心理內驅動力的共同作用下，發布了觀點關鍵詞。由以上4種構成要素即可構建網絡輿論超網絡模型的4層子網，分別為社交子網、環境子網、心理子網和觀點子網。

社交子網A表示網絡輿論中參與討論的輿論主體（即網民）之間的回復關系；環境子網E表示信息傳播的過程，一條信息的發布對應于該子網中的一個信息節點；心理子網P表示網絡輿論主體在發布言論時所具有的心理類型，不同心理類型之間存在轉化關聯關系；觀點子網K表示網民所發布的帖子或博文中的觀點（即關鍵詞），關鍵詞節點之間的邊表示這2個關鍵詞在同一帖子或博文中出現。

網絡輿論超網絡模型中4層子網之間通過超邊（Super Edge，SE）連 接，SE=｛ai，em，pj，kn；t｝，表示t時刻主體ai在環境em的外作用力和心理pj的內作用力下，發表了觀點kn。如圖1所示。

圖1 輿情超網絡模型示意圖

1.2 多主體建模方法

多主體建模是近年來出現的一種較新的仿真建模方法，由于其適合對具有一定智能性的微觀個體組成的復雜系統進行研究，受到社會學、經濟學與生物學等學科的重視，在許多領域得到了廣泛應用。多主體建模理論通過建立微觀模型，模擬微觀個體之間的相互作用，涌現出宏觀層面的復雜行為，實現微觀與宏觀的統一。

仿真工具有助于仿真模型的快速實現，也為仿真實驗管理與仿真結果分析等提供了必要的支持，能夠在很大程度上提高復雜系統研究的效率。本文應用Net Logo建模平臺進行分析。在Net Logo環境中主體有turtle、patch、link等多種類型的Agent，其 中turtle能夠在很多patches拼接而成的離散平臺上移動并進行相互之間以及和環境之間的交互，主要的交互形式有P-T交互、T-T交互和P-P交互。

1.3 主要建模思想

網絡輿情演化過程中，網民（包括大眾網民和輿論領袖兩類人物）在心理內驅動力和環境信息外驅動力的共同作用下發表觀點，而這些觀點匯集在一起會形成網絡輿論場，是對環境信息的補充，也直接影響網民發表新觀點的態度傾向。在本文中，將心理內驅動力虛化為網民的內在屬性，而大眾網民、輿論領袖［18］、主要觀點和環境信息等4類主體都可作為智能體，具有自身屬性，能夠與其他主體進行交互，具備運用多主體進行建模仿真的可行性。

基于超網絡的網絡輿情演化各主體之間的交互作用不同，如圖2所示。首先，某熱點事件發生刺激網民情緒，網民在心理內驅動力和環境外驅動力作用下發表就該事件的各種觀點，其中，環境信息外驅動力是指在輿情演化過程中梳理出的具有重大影響力的信息，既可能由非法網站或負面輿論領袖發布的各種謠言信息組成，也可能由官方政府或正面輿論領袖發布的辟謠信息組成，或者兩者耦合共同作用；而主要觀點則是由全體參與討論的大眾網民所發布，這些觀點中可能有對事件發展無明顯推動作用的中立態度觀點，也可能有與環境信息（謠言/辟謠）一致的極性態度（負面/正面）觀點。需要指出，當大量極性態度觀點匯集在就該事件進行討論的網絡輿情場中，也會形成環境信息，作為對環境外驅動力的補充。另外，大眾網民發表觀點易受輿論領袖影響，輿論領袖的作用貫穿整個網絡輿論的形成演化過程，在其引導下，部分意見可演化為公眾輿論。在整個網絡輿論演化過程中，大眾網民、輿論領袖、主要觀點和環境信息等4類主體之間存在各種關聯或制約作用。

圖2 大眾網民、輿論領袖、主要觀點和環境信息的交互作用

2 網絡輿情演化的多主體模型構建

2.1 模型假設

根據不同主體的特征，在多主體建模前，提出以下假設：

（1）假設大眾網民和所發表的主要觀點Agent共有3種傾向，分別為正面、中立和負面，而輿論領袖和環境信息兩類Agent有2種傾向，分別為正面和負面，如環境信息中政府官方持正面態度，而謠言信息持負面態度。

（2）大眾網民的初始態度由主體意識決定且是非理性的，初始態度會受到輿論領袖、環境信息和輿論場態度的影響而改變，本文用“從眾性”表示這種非理性，從眾性大的網民容易改變，隨波逐流；而從眾小的網民不易改變，堅持己見。

（3）假設各主體的初始個數、初始態度和初始觀點可信度作為外部條件已知，且最大規模是確定的。

（4）大眾網民、輿論領袖、主要觀點和環境信息等4類Agent的屬性每一時間步同時更新。

2.2 主體屬性描述

本文共設置了4類主體，分別為大眾網民、輿論領袖、主要觀點和環境信息，各類主體具有不同的屬性特征，如表1所示。

表1 各類主體屬性

2.2.1 大眾網民主體屬性描述 大眾網民主體的屬性函數為F［Tai（t），Bai（t），Aai（t）］，其 中：Tai（t）表示大眾網民主體ai在t時刻對某事件所持有的心理態度傾向，Tai（t）在［0，1］連續區間取值，Tai（t）∈［0，0.33］為負面態度，Tai（t）∈（0.33，0.67］為中立態度，Tai（t）∈（0.67，1］為正面態度；Bai（t）表示大眾網民主體ai在t時刻的從眾性，Bai（t）在［0，1］連續區間取值，Bai（t）∈［0，0.2］表示網民從眾性低，一般不易改變觀點，堅持己見；Bai（t）∈（0.2，0.8］表示從眾性中等，皆有可能；Bai（t）∈（0.8，1］表示從眾性高，易受影響，隨波逐流；Aai（t）表示大眾網民主體ai在t時刻對某事件發表觀點時的活躍程度，Aai（t）由該大眾網民節點在輿情超網絡中的節點超度值［19］決定，該數值越大，說明活躍度越高，發布的主要觀點數越多。

2.2.2 輿論領袖主體屬性描述 輿論領袖主體的屬性函數為F［Toli（t），Aoli（t），Coli（t）］，其 中：Toli（t）表示輿論領袖主體o li在t時刻對某事件所持有的心理態度傾向，Toli（t）在［0，1］連續區間取值，Toli（t）∈［0，0.5］為負面態度，Toli（t）∈（0.5，1］為正面態度；Aoli（t）表示輿論領袖主體o li在t時刻對某事件所發表觀點的權威性，Aoli（t）由輿論領袖所在超邊的超邊重疊度［20］決定，Aoli（t）在［0，1］連續區間取值，該數值越大，說明權威性越高，可影響的大眾網民人數越多；Coli（t）表示輿論領袖o li在t時刻所持觀點的可信度，Coli（t）在［0，1］連續區間取值，共分為兩級，Coli（t）∈［0，0.5）為Ⅱ級，僅能影響態度傾向中立的大眾網民；Coli（t）∈［0.5，1］為Ⅰ級，亦可影響態度傾向極端網民。Coli（t）越接近于1，表明觀點可信度越高，說服力越強。

2.2.3 主要觀點主體屬性描述 主要觀點主體的屬性函數為F［Tkj（t），Skj（t），Rkj（t）］，其中：Tkj（t）表示觀點主體kj在t時刻的態度傾向，Tkj（t）在［0，1］連續區間取值，Tkj（t）∈［0，0.33］為負面態度，Tkj（t）∈（0.33，0.67］為中立態度，Tkj（t）∈（0.67，1］為正面態度；Skj（t）表示觀點主體kj在t時刻所表達觀點的影響力度，Skj（t）在［0，1］連續區間取值，共分為兩級，Skj（t）∈［0，0.5）為Ⅱ級，可補充影響力度同為Ⅱ級的環境信息；Skj（t）∈［0.5，1］為Ⅰ級，可補充影響力度同為Ⅰ級的環境信息；Rkj（t）表示觀點主體kj在t時刻產生的影響范圍，可設γ個態度傾向和等級相同的觀點產生一個“patch”單位信息的影響范圍，其中γ表示觀點對信息匯集作用的集聚因子，為可調參數。

2.2.4 環境信息主體屬性描述 環境信息主體的屬性函數為F［Ten（t），Sen（t），Ren（t）］，其中：Ten（t）表示信息主體en在t時刻對某事件所起的作用 傾 向，Ten（t）在［0，1］連續區間取值，Ten（t）∈［0，0.5］為負面謠言信息，Ten（t）∈（0.5，1］為正面官方信息；Sen（t）表示信息主體en在t時刻所發布信息的影響力度，Sen（t）在［0，1］連續區間取值，共分為兩級，Sen（t）∈［0，0.5）為Ⅱ級，只能影響態度傾向中立的大眾網民；Sen（t）∈［0.5，1］為Ⅰ級，也可影響態度傾向極端的大眾網民；Ren（t）表示信息主體en在t時刻的影響范圍，Ren（t）由該信息主體所在超邊與超網絡中其他超邊間的平均最短距離決定，平均最短距離越短，其影響范圍越大，將該值標準化為［0，max］連續區間取值，其中max表示仿真過程中patch坐標做大值，Ren（t）值越大，可影響隨機移動到該信息范圍的大眾網民人數越多。

根據以上對各主體屬性的描述，以輿情超網絡模型為基本思想，依托Net Logo仿真平臺建立了基于超網絡的輿情演化仿真模型，如圖3所示，其中不同屬性主體turtle初始數和patch不同顏色區域大小均可調整。在該仿真模型中，以“人型”形狀的turtle表示大眾網民主體，其中，粉色為負面態度傾向，黃色為中立態度傾向，而綠色為正面態度傾向；以“表情”形狀的turtle表示輿論領袖主體，其中，綠色笑臉表示正面的輿論領袖，紅色怒臉表示負面的輿論領袖；以“三角形”turtle表示主要觀點主體，其中，暗紅色為負面觀點，白色為中立觀點，墨綠色為正面觀點；以不同顏色的patch表示環境信息主體，紅色區域為負面謠言環境信息，綠色為正面官方信息。

圖3 網絡輿情演化仿真界面示意圖

2.3 主體交互規則

2.3.1 環境信息對大眾網民的影響規則 依據傳播學中議程設置理論［21］，在大眾網民對社會公共事務中一些重要問題的認識和判斷與傳播媒介的報道活動之間，存在著一種高度對應關系，即新聞媒介傳播影響著公眾矚目的焦點和對社會環境的認知。因此，環境信息對大眾網民具有影響作用，初始態度傾向為中立的網民若第一時間受到負面謠言信息的影響，就容易產生負面情緒，發表負面言論；若第一時間接收到官方正面信息，就容易受正能量影響，發表正面言論。不同環境信息對大眾網民的影響規則：

環境信息影響范圍Ren（t）決定了仿真過程中相關patch的大小，Ren（t）值越大，相應patch的范圍越大，可影響隨機移動到該patch的大眾網民人數越多，且Ren（t）隨時間演化具有衰減性，具體計算公式為Ren（ti）=σ·Ren（t1）/（ti—t1），其中，ti＞t1且σ為可調參數，表現為仿真界面信息patch面積隨時間演化而逐漸減小。

當信息影響等級為Ⅱ級時，

（1）若Tai（t）∈（0.33，0.67］，Ten（t）∈［0，0.5］，則Tai（t+1）=Tai（t）—0.33。

（2）若Tai（t）∈（0.33，0.67］，Ten（t）∈（0.5，1］，則Tai（t+1）=Tai（t）+0.33。

當信息影響等級為Ⅰ級時，

（1）若Tai（t）∈（0，0.67］，Ten（t）∈（0.5，1］，則Tai（t+1）∈（0.67，1］。

（2）若Tai（t）∈（0.33，1］，Ten（t）∈［0，0.5］，則Tai（t+1）∈［0，0.33］。

2.3.2 輿論領袖對大眾網民的引導規則 提出輿論領袖的“二級傳播理論”是指信息傳播從大眾傳媒到輿論領袖，再從輿論領袖到全體受眾的過程［18］。在該過程中，輿論領袖發表看法或評論實際也是為關注他的大眾網民設置議程的過程。因此，輿論領袖對大眾網民具有引導作用，但主要體現在態度傾向中立、從眾性高的大眾網民，是否能影響態度傾向極端的大眾網民由其可信度決定，且輿論領袖影響的大眾網民數與其權威性有關，權威性越高，可影響的大眾網民數越多。輿論領袖分為正面和負面輿論領袖兩種，對大眾網民的引導規則如下：

當網民大眾從眾性Bai（t）∈（0.8，1］時，

（1）若Tai（t）∈（0.33，0.67］，Toli（t）∈［0，0.5］，則Tai（t+1）=Tai（t）—0.33。

（2）若Tai（t）∈（0.33，0.67］，Toli（t）∈（0.5，1］，則Tai（t+1）=Tai（t）+0.33。

當輿論領袖權威性Coli（t）∈［0.5，1］時，

（1）若Tai（t）∈［0，0.33］，Toli（t）∈（0.5，1］，則Tai（t+1）=Tai（t）+0.33。

（2）若Tai（t）∈（0.67，1］，Toli（t）∈［0，0.5］，則Tai（t+1）=Tai（t）—0.33。

設Tai（t）∈（0.33，0.67］且Bai（t）∈（0.2，1］的大眾網民有n位，則輿論領袖可影響的大眾網民數為α×10Aoli（t）位（α·Aoli（t）＜n），其中α為輿論領袖對大眾網民的引導因子，為可變參數。

2.3.3 大眾網民對主要觀點的發布規則 大眾網民受心理內驅動力作用和環境信息外驅動力作用，在某熱點事件爆發時會發布不同觀點，所發布觀點的態度傾向由大眾網民心理態度傾向決定，而發布觀點的數量則由大眾網民的活躍度決定。大眾網民發布主要觀點的規則如下：

（1）若Tai（t）∈［0，0.33］，則發布的主要觀點屬性Tkj（t）∈［0，0.33］。

（2）若Tai（t）∈（0.33，0.67］，則發布的主要觀點屬性Tkj（t）∈（0.33，0.67］。

（3）若Tai（t）∈（0.67，1］，則發布的主要觀點屬性Tkj（t）∈（0.67，1］。

網民大眾ai所發布的觀點數由該網民活躍度Aai（t）決定。

2.3.4 主要觀點對環境信息的補充規則 “輿論場”是指包括若干相互刺激的因素，使許多人形成共同意見的時空環境［22］。在網絡輿論大環境中網民所發布的主要觀點匯集在一起形成網民輿論場，可對大環境進行補充，如影響力度大的正面觀點數量達到一定程度時，會補充官方正面信息的影響范圍并提升其影響力度；而影響力度大的負面觀點數量達到一定程度時，會補充負面謠言信息的影響范圍并提升其影響力度。主要觀點對環境信息的補充規則：

（1）若Tkj（t）∈［0，0.33］，且Skj（t）∈［0，0.5）的主要觀點有γ個，則補充形成一個“patch”單位的Ⅱ級負面謠言信息。

（2）若Tkj（t）∈［0，0.33］，且Skj（t）∈（0.5，1］的主要觀點有γ個，則補充形成一個“patch”單位的Ⅰ級負面謠言信息。

（3）若Tkj（t）∈（0.67，1］，且Skj（t）∈［0，0.5）的主要觀點有γ個，則補充形成一個“patch”單位的Ⅱ級正面官方信息。

（4）若Tkj（t）∈（0.67，1］，且Skj（t）∈（0.5，1］的主要觀點有γ個，則補充形成一個“patch”單位的Ⅰ級正面官方信息。

以上規則中γ表示主要觀點對信息匯集作用的集聚因子，為可調參數。

3 實例應用——“錢云會事件”仿真分析

3.1 實例簡介

2010年12月25日，浙江樂清寨橋村村主任錢云會被工程車碾壓致死，交警勘查判斷為一起普通交通肇事案件。錢云會生前因土地糾紛問題曾多次帶領村民上訪，因此，有村民傳言這是一起由當地政府精心策劃的故意殺人事件，于是引起網民的廣泛關注和討論。

依據方正智思輿情信息監測平臺，從鳳凰論壇、天涯社區、人民網強國論壇、新浪以及網易等收集關于“錢云會事件”的有效網民討論帖1 645條，共涉及話題參與者（即網民）318人。整個事件的發展受到謠言信息、官方信息與正負面輿論領袖的多重作用，共存在2個輿論熱潮，分別集中在2010-12-31和2011-01-02，如圖4所示。

圖4 “錢云會事件”網絡輿情演化曲線

3.2 仿真實現

對搜集到的“錢云會事件”相關網絡討論內容進行分析，2010-12-25～12-29事件初始發生的4天內僅有29條討論帖，其中有5條客觀期待事件調查結果，其余均已表達負面情緒，受到“錢云會是蓄意被謀殺”謠言的影響，其余未發言網民均可視為中立態度，據此設定仿真的初始數據，即相信政府會全力調查出真相的大眾網民有5人，態度傾向為正面；尚未發表意見的大眾網民有289人，態度傾向為中立，成為初始網絡空間中“沉默的大多數”；受謠言影響，相信該案件為故意殺人的有24人，態度傾向為負面。以上為該實例演化的初始值設置，隨后事件演化受到謠言和官方信息的影響，接著輿論領袖出現，最后事件水落石出，輿論平息，共劃分為5個階段，如圖5所示。

下面分別對各個階段進行仿真實現設置。

第1階段隨著謠言信息的進一步傳播，其影響范圍不斷擴大，出現在多個主要的門戶網站論壇，導致負面蝴蝶效應，且謠言內容“圖文并茂，言之鑿鑿”，使得事態進一步擴大，因此，在對本實例進行仿真時設定負面謠言信息影響范圍較大，依據謠言信息在該階段輿情超網絡中所形成超邊的超邊間最短距離計算，設負面謠言信息的影響范圍Ren（t）=12，Ren（t）∈［0，15］，影響等級設為Ⅱ級。

第2階段官方應高漲社情民意召開新聞發布會，但在新聞發布中未能對網民提出的各大車禍疑點做出詳細解釋，缺乏與網友溝通技巧，導致干預失敗，事件演化至第1個輿情高峰，依據輿情超網絡中該階段官方正面信息的超邊間最短距離計算，設正面官方信息影響范圍Ren（t）=4，Ren（t）∈［0，15］，影響等級設為Ⅱ級，且在負面謠言信息之后出現。

圖5 “錢云會事件”仿真實現示意圖

第3、4階段基于構建的輿論超網絡模型，并應用可識別輿論領袖的超網絡測度指標，識別出“錢云會事件”中共有5位主要的輿論領袖，其中4位為負面輿論領袖，僅有1位為正面輿論領袖，通過對各個輿論領袖在超網絡中超邊重疊度和節點超度指標的度量，判斷其權威性和引導因子α。通過分析，判定4位負面輿論領袖的權威性平均為Aoli（t）=0.7且α=16，可信度為Ⅱ級，僅影響從眾性較高的網民；1位正面輿論領袖的權威性為Aoli（t）=0.8且α=5，對整個案件過程進行了專業分析，可信度為Ⅰ級。

第5階段官方搜集到可有力證明“錢云會事件”為普通交通肇事案的新證據，并逮捕肇事司機，事件得以平息。該階段對輿論演化起主要作用的是官方公布的正面信息，該信息由權威部門公布、證據確鑿，并詳細解答了此前網民所提出的的諸多疑問，設影響范圍Ren（t）=14，影響等級為Ⅰ級。

第1～5階段“錢云會事件”整個演化過程中網民發表內容長短不同、運用敏感關鍵詞頻次不同，通過對該事件中參與討論大眾網民在輿情超網絡中節點超度的計算，判定一般網民大眾發表主要觀點的平均活躍度Aai（t）=5，并設主要觀點對環境信息的集聚因子γ=10。

基于以上仿真實現中各參數設置，對仿真模型進行驗證：在“錢云會事件”輿情演化過程中主要充斥著負面謠言危機信息，將其關鍵演化階段曲線與仿真模型中負面信息大眾網民傳播者數量隨時間的演化進行對比，如圖6所示，發現在輿情演化傳播過程的增長或衰減趨勢上，仿真數據與真實統計數據基本吻合，說明該仿真模型可信度較高。

3.3 結果分析

根據仿真實現對事件發生初始和演化過程中關鍵點的具體分析，可對已建立的基于超網絡的輿情演化仿真模型進行實例驗證。①分析在網絡輿情干預中政府搶占先機的重要作用；②分析不同作用輿論領袖對網絡輿情引導的重要作用；③分析網民所發布主要觀點形成輿論場的控制作用。

圖6 仿真數據與真實數據比較

3.3.1 政府搶占輿論先機的重要作用 第1階段仿真：設定“錢云會事件”初始時的各種態度傾向人數（正面5人，中立289人，負面12人）和謠言影響范圍（Ren（t）=12），運行步長ticks=20。

（1）網絡結構演化。輿情超網絡模型示意圖中環境子網中出現負面謠言信息，大眾網民在謠言信息外作用力和負面心理內作用力下發布眾多負面消極觀點，如圖7（a）所示。

（2）仿真界面更新。社交子網中的中立態度傾向的大眾網民（黃色“人型”turtle）和負面態度傾向大眾網民（粉色“人型”turtle）受環境子網中謠言信息（紅色patch區域）外驅動力影響，發布了眾多負面消極觀點（紅色“三角形”turtle），如圖7（b）所示。

（3）網民行為選擇。負面態度傾向網民大眾人數達到127位，增長快速，中立態度傾向網民大眾人數逐漸減少，如圖7（c）所示。

圖7 “錢云會事件”第1階段仿真

第2階段仿真：輿情引起關注，官方召開新聞發布會，即正面信息影響出現，且影響范圍Ren（t）=4，繼續運行。

（1）網絡結構演化。輿情超網絡示意圖中環境子網中增加了官方正面信息，少部分中立態度傾向大眾網民受官方信息影響，發布正面觀點，如圖8（a）所示。

（2）仿真界面更新。官方正面信息（綠色patch區域）出現，同時，由于信息影響范圍衰減性，負面謠言影響范圍逐漸縮小（即紅色patch區域面積減小）。雖然正面態度傾向大眾網民（綠色“人型”turtle）和正面觀點（綠色“三角形”turtle）有所增加，但負面態度傾向人物增加更為迅速（粉色“人型”turtle），如圖8（b）所示。

（3）網民行為選擇。雖正面態度傾向網民大眾由8人增加到17人，但負面態度傾向網民大眾人數激增至196人，如圖8（c）所示，因此，負面輿論熱潮已無法僅通過召開新聞發布會的簡單形式進行扭轉。

圖8 “錢云會事件”第2階段仿真

通過對第1、2階段的仿真，證明政府在應對網絡輿情時搶占輿論先機的重要性。先入為主和先聲奪人是輿情傳播的重要規律，只有政府及時搶占輿論先機，占領發聲高地，才能有效發揮正面輿論聲勢強者愈強、負面輿論聲音弱者愈弱的“馬太效應”，從而也可避免發生負面輿情的“蝴蝶效應”。

3.3.2 輿論領袖對大眾網民的引導作用 第3階段仿真：第一輿論高峰時，政府未能扭轉負面輿論熱潮方向，組織公民獨立調查團進行“民間調查”并公布調查結果，出現正面輿論領袖。

（1）網絡結構演化。輿情超網絡中出現影響等級為Ⅰ級的正面輿論領袖，亦可引導從眾性中等的網民，在觀點子網中發表部分正面觀點，如圖9（a）所示。

（2）仿真界面更新。負面謠言信息（紅色patch區域）和正面官方信息（綠色patch區域）影響范圍進一步減小，并且受正面輿論領袖影響（綠色“笑臉”turtle），正面態度傾向人數（綠色“人型”turtle）和正面觀點（綠色“三角形”turtle）數量有所增加，如圖9（b）所示。

（3）網民行為選擇。受正面輿論領袖引導作用，正面態度傾向人數逐漸增加，而負面態度傾向人數逐漸減少，使得負面輿論熱潮有所下降，如圖9（c）所示。

第4階段仿真：隨后有多位負面輿論領袖曝出公民獨立調查組組長收取百萬封口費的謠言。

（1）網絡結構演化。在社交子網中出現多位影響等級為Ⅱ級負面輿論領袖，心理子網中負面心理占據主流地位，觀點子網中負面態度傾向觀點增加，如圖10（a）所示。

（2）仿真界面更新。在該階段仿真界面示意圖中，多位負面輿論領袖（紅色“怒臉”turtle）的共同引導作用，促使更多大眾網民發表負面觀點（紅色“三角形”turtle），如圖10（b）所示。

圖9 “錢云會事件”第3階段仿真

圖10 “錢云會事件”第4階段仿真

（3）網民行為選擇。雖負面輿論領袖影響等級為Ⅱ級，但影響權威性和影響人數參數α共同決定了其可影響的人數較多，負面輿論熱潮再次迭起，到達第二輿論高峰，如圖10（c）所示。

通過對第3、4階段的仿真，充分證明了輿情演化過程中輿論領袖所起的重要引導作用。在負面輿論領袖（大多為網絡推手）引導作用下，部分網民充滿非理性色彩的謾罵、攻訐也更容易引起其他網民共鳴，從而產生“沉默的螺旋”效應。政府在處理公共輿論事件時應注意與正面輿論領袖的溝通，充分發揮其在引導網絡輿情向健康方向發展的作用。

第5階段仿真：隨后官方公布新證據，并逮捕肇事司機，事件得以平息。

（1）網絡結構演化。該階段之前，環境信息的影響范圍隨時間衰減，環境子網中出現新的影響力度為Ⅰ級且影響范圍大的正面環境信息，促使從眾性高的負面態度傾向網民逐漸轉變態度，最終發布正面觀點，如圖11（a）所示。

（2）仿真界面更新。在影響范圍大、影響力度大的正面信息（綠色patch區域）影響下，大眾網民由負面態度傾向轉為中立，進而轉為正面，并最終發布的正面觀點（綠色“三角形”turtle）成為主流觀點，負面輿論得以平息，如圖11（b）所示。

（3）網民行為選擇。持負面態度傾向的大眾網民數量下降，而持正面態度傾向的大眾網民數量增加，負面輿情得到平息，如圖11（c）所示。

圖11 “錢云會事件”第5階段仿真

3.3.3 網民觀點形成輿論場的控制作用 在“錢云會事件”的演化過程中，任何時刻網民所發表的觀點都會形成一定的輿論場，作為對環境信息的補充，對輿情演化具有控制作用。下面分別對有輿論場影響和不考慮輿論場影響時，第1～4階段不同態度傾向網民人數變化進行仿真。

（1）網民行為選擇。圖12（a）為有輿論場影響的大眾網民人數變化，即網民可以隨時“回顧瀏覽”以前的網民討論內容，并可能受其影響，而圖12（b）為無輿論場影響的大眾網民人數變化，即通過技術手段對其中言辭激烈的負面敏感觀點產生的影響進行弱化。無負面輿論場控制作用時，負面態度傾向網民相對減少，而正面態度傾向網民有所增加。

（2）主要觀點輿論場。圖12（c）對應有輿論場控制影響時的正、負面主要觀點數，圖12（d）對應無負面輿論場控制影響時的正、負面主要觀點數，兩者對比亦可發現，負面觀點減少，而正面觀點相對增加。

（3）仿真界面對比。對比12（e）、（f）發現，圖12（e）中負面觀點匯集作用使得灰色pacth區域部分變為紅色，成為謠言信息影響范圍的擴大補充，進而促使產生更多負面觀點。

圖12 主要觀點輿論場的控制作用

綜上，說明網民所發布觀點匯集形成的輿論場具有重要控制作用。在網絡輿情演化過程中，實際存在兩種輿論場，環境信息（謠言或官方）形成的自上而下的輿論場，以及大眾網民所發布的主要觀點匯集而成的自下而上的輿論場，其中后者是對前者的重要補充，對輿論演化具有重要控制作用。

4 結語

本文將多主體系統建模方法應用于輿情超網絡研究中，將輿情超網絡中輿論主體（包括一般大眾網民和輿論領袖兩類主體）、環境信息、主要觀點抽象為異質Agent，借助Net Logo仿真平臺構建了“人-信息-觀點”交互模型，并應用輿情超網絡中節點超度、超邊重疊度以及超邊間距離等測度指標確定多主體交互模型中各主體部分屬性值；通過對具體實例“錢云會事件”輿情演化過程分階段的細化仿真，重點分析了輿情演化過程中搶占先機、領袖引導和輿論場控制的作用：第1、2階段仿真結果證明了政府對輿情演化進行引導時搶占輿論先機的重要性；第3、4階段仿真結果證明了輿論領袖對輿情演化具有重要引導作用；全階段演化過程也證明了在輿情演化過程中網民所發布主要觀點形成輿論場具有控制作用。

本文在構建輿情超網絡多主體交互模型的基礎上，主要研究的是基于具體實例的事實推演，從而驗證了模型的合理性和有效性。進一步的工作是對輿情演化過程進行更全面和深入思考，在不斷完善模型的基礎上進行輿情演化的情景推演研究，以期為政府處理網絡輿情危機事件提供決策依據。