突發(fā)事件下多種信息交互傳播的動力機制與調(diào)控策略*

王治瑩，王偉康

(安徽工業(yè)大學(xué) 管理科學(xué)與工程學(xué)院，安徽 馬鞍山 243032)

0　引言

近年來，頻繁爆發(fā)的突發(fā)事件(如火災(zāi)、干旱、水災(zāi)、地震、龍卷風(fēng)、流行病、饑荒、食品安全和生產(chǎn)事故)給人類造成了巨大的生命和財產(chǎn)損失[1]。同時，多種關(guān)于突發(fā)事件的信息也往往伴隨事件的爆發(fā)而快速蔓延，若對此響應(yīng)不利，可能進一步誘發(fā)次生危害。如：2009年，河南杞縣利民輻照廠卡源事件發(fā)生后，引發(fā)了“核泄漏”傳言，雖然當(dāng)?shù)卣▓蟆鞍踩珶o事”等消息，但依然導(dǎo)致了民眾的恐慌和逃離縣城行為；2015年，上海金山居民抵制PX事件中，“高橋石化搬至金山區(qū)”和“可能上馬PX項目”等消息經(jīng)由微博、微信快速擴散，雖然金山區(qū)政府官方微博發(fā)布了“高橋石化關(guān)停”和“不會有PX項目”等信息，但民眾普遍不信，并制造了靜坐、游行和示威等反對活動。鑒于以上情況，研究突發(fā)事件下多種信息間的交互動力機制和調(diào)控問題具有重要的現(xiàn)實意義。

目前，關(guān)于突發(fā)事件下多種信息的分類和特點研究，已受到學(xué)者們的廣泛關(guān)注。劉怡君等[2]在以“8·12天津港爆炸事故”為例進行輿情傳播規(guī)律探索時發(fā)現(xiàn)，正面信息以新聞媒體為主導(dǎo)，但影響弱、集中性小，而負(fù)面信息主要來源于公眾個體，內(nèi)容多元化；陳業(yè)華等[3]在研究公共場所突發(fā)事件受災(zāi)人群的信息傳播時發(fā)現(xiàn)，信息擴散具有交互性、多元性、紊亂性、瞬時性和競爭性等特征；武澎等[4]從信息傳播系統(tǒng)中的樞紐節(jié)點判定角度，探討了具有社會價值的信息和謠言的傳播干預(yù)；Ou等[5]分析了信息異質(zhì)性對不同網(wǎng)絡(luò)結(jié)構(gòu)中信息傳播的影響，發(fā)現(xiàn)對于小世界網(wǎng)絡(luò)，信息異質(zhì)性的增強不僅會降低其信息傳播效率，還會延長其信息傳播的生命周期。此外，Zhang等[6]通過借鑒Lotka-Volterra競爭模型，研究了不同社會網(wǎng)絡(luò)結(jié)構(gòu)中多種信息間的交互傳播與演化規(guī)律；Wang等[7]通過擴展SIR傳染病模型，研究了一種謠言比另一種謠言更具吸引力情況下的共同傳播問題；Xie等[8]研究了無標(biāo)度網(wǎng)絡(luò)中，兩種競爭性輿情信息的傳播對不同產(chǎn)品支持率的影響。相比之下，突發(fā)事件下單一信息的傳播影響因素及其作用機制研究更為普遍，如管理者的壓制行為[9]、民眾的風(fēng)險感知[10]和影響力[11]等，可為本文研究突發(fā)事件下多種信息的交互傳播動力機制提供參考。

總結(jié)上述研究成果可以發(fā)現(xiàn)：現(xiàn)有研究很少關(guān)注到突發(fā)事件下多種信息共存情境中的信息交互關(guān)系和動力機制；多種信息的交互關(guān)系，本質(zhì)上是群體在面對不同信息時的行為狀態(tài)轉(zhuǎn)移關(guān)系，表現(xiàn)在具有不同行為狀態(tài)的群體數(shù)量的演化，而明晰這種演化規(guī)律有助于厘清調(diào)控決策的制定要點，但現(xiàn)有研究對此涉及較少；由于多種信息共存情境中每種信息都分別對群體的行為狀態(tài)進行了劃分，因此，多種信息輿論場能夠影響不同信息間的群體行為狀態(tài)轉(zhuǎn)移，而現(xiàn)有研究也缺少對該問題的考慮。為此，綜合考慮這些問題，將界定突發(fā)事件下多種信息共存情境中“涌現(xiàn)→傳播”過程的信息交互關(guān)系框架，并建立系統(tǒng)動力學(xué)模型，進一步結(jié)合基礎(chǔ)情景和實驗情景仿真，研究決策者關(guān)鍵可控因素的作用機制與調(diào)控策略問題。

1　問題描述與研究假設(shè)

為了降低研究的復(fù)雜性并考慮到研究中的一些不確定因素，給出以下假設(shè)：

1)假設(shè)1：突發(fā)事件下，多種信息可聚類為2類互為異質(zhì)性或競爭性的信息，即信息A和信息B。突發(fā)事件下，多種信息的真?zhèn)坞m然可在事后確定，但在事發(fā)早期難以準(zhǔn)確辨別。事實上，各種信息都有特定的來源渠道，不妨將其按照渠道差異，歸類為2類互為異質(zhì)性或競爭性的信息，記為信息A和信息B。信息A代表政府官網(wǎng)、主流媒體和大型門戶網(wǎng)站(如：中央電視臺、人民日報、中國日報、人民網(wǎng)、新華網(wǎng)和鳳凰網(wǎng)等)發(fā)布的相對理性和正式的信息；信息B代表新媒體(微博、微信、論壇和貼吧)和人際關(guān)系渠道散布的相對非理性和非正式的信息。

2)假設(shè)2：將信息的“涌現(xiàn)→傳播”過程細(xì)分為“信息未知→初步了解→形成立場→產(chǎn)生行為”4個發(fā)展階段，并將群體按其在不同階段中的行為狀態(tài)劃分為：未知者、已知但無立場者、相信信息A且不傳播者、相信信息B且不傳播者、信息A傳播者、信息B傳播者。根據(jù)群體的認(rèn)知特點，可將單一信息情境中，信息發(fā)展階段和群體行為狀態(tài)的劃分思路[12]推廣到多種信息的共存情境之中。未知者(Unknown group, UG)，即從未接觸過信息的群體；已知但無立場者(Known but non-standpoint group, KNG)，即已獲知信息，但由于無心關(guān)注或暫時猶豫而未形成自身立場的群體；相信信息A且不傳播者(Trusted but not disseminated group for A, TNG-A)和相信信息B且不傳播者(Trusted but not disseminated group for B, TNG-B)，即分別指相信信息A和信息B，但尚未產(chǎn)生傳播行為的群體；信息A傳播者(disseminated group for A, DG-A)和信息B傳播者(disseminated group for B, DG-B)，即分別指對信息A和信息B具有傳播行為的群體。

3)假設(shè)3：信息的傳播渠道暢通，不同群體間的行為狀態(tài)轉(zhuǎn)移主要取決于群體自身的選擇。本文重點關(guān)注信息的“涌現(xiàn)→傳播”過程，而由于現(xiàn)實中該過程的演化往往極為迅速，故在此過程中，政府和媒體運營商一般忙于事件信息的發(fā)布，而對群體行為的干預(yù)更多采取的是監(jiān)測和預(yù)警，不涉及渠道屏蔽，如上文2015年發(fā)生的上海金山居民抵制PX事件。

4)假設(shè)4：多種信息輿論場的影響力體現(xiàn)在其對不同信息間群體行為狀態(tài)轉(zhuǎn)移的反饋作用，即信息A(或信息B)輿論場的影響力促使其他群體向TNG-A(或TNG-B)和DG-A(或DG-B)群體轉(zhuǎn)移，同時抑制TNG-A(或TNG-B)和DG-A(或DG-B)群體向其他群體轉(zhuǎn)移。

總結(jié)以上，可給出信息A和信息B共存情境中“涌現(xiàn)→傳播”過程的信息交互框架，如圖1所示，該框架包括群體行為狀態(tài)轉(zhuǎn)移和信息輿論場反饋作用2個子框架。在群體行為狀態(tài)轉(zhuǎn)移子框架中，部分UG在獲取信息后，短時間內(nèi)由于無心關(guān)注、觀望或猶豫而未形成立場，故轉(zhuǎn)化為KNG；隨著認(rèn)知更新和群體間的接觸，KNG會以一定概率選擇相信信息A或信息B，但受制于形成立場到產(chǎn)生行為間的時間延遲而不會立即傳播，即轉(zhuǎn)變?yōu)門NG-A或TNG-B；進一步，隨著事態(tài)發(fā)展，TNG-A和TNG-B中部分較為活躍的群體會由于自身利益和好奇心等的驅(qū)使而產(chǎn)生傳播行為，即轉(zhuǎn)變?yōu)镈G-A和DG-B；同時，隨著信息A與信息B輿論場的反饋作用逐漸體現(xiàn)，加之這2類信息間的競爭性特點，TNG-A和TNG-B會以一定概率相互轉(zhuǎn)化，DG-A和DG-B也可能轉(zhuǎn)變自身立場。在信息輿論場反饋作用子框架中，經(jīng)由群體行為狀態(tài)轉(zhuǎn)移子框架所輸出的信息A與信息B輿論場，各自的影響力對不同群體間行為狀態(tài)的轉(zhuǎn)移都具有反饋作用，具體見假設(shè)4。

2　模型構(gòu)建

2.1　相關(guān)參數(shù)與符號說明

根據(jù)以上模型框架和系統(tǒng)邊界，給出接觸率、初始轉(zhuǎn)移概率(不受輿論場反饋作用影響下的概率)和修正轉(zhuǎn)移概率(受輿論場反饋作用影響下的概率)的定義：α表示UG與傳播者(DG-A和DG-B)的接觸率；p1和s1分別表示KNG向TNG-A的初始和修正轉(zhuǎn)移概率；p2和s2分別表示KNG向TNG-B的初始和修正轉(zhuǎn)移概率；p3和s3分別表示TNG-B向TNG-A的初始和修正轉(zhuǎn)移概率；p4和s4分別表示TNG-A向TNG-B的初始和修正轉(zhuǎn)移概率；p5表示TNG-A向DG-A的初始轉(zhuǎn)移概率；p6表示TNG-B向DG-B的初始轉(zhuǎn)移概率；p7和s7分別表示DG-B向TNG-A的初始和修正轉(zhuǎn)移概率；p8和s8分別表示DG-A向TNG-B的初始和修正轉(zhuǎn)移概率。其中，α,p1,p2,…,p8,s1,s2,…,s8∈[0,1]。一般情況下，p1

2.2　因果回路圖

事實上，以解構(gòu)圖1中信息輿論場的反饋作用為切入點，可借助系統(tǒng)動力學(xué)理論[13]建立因果回路圖，包括信息A輿論場反饋回路和信息B輿論場反饋回路，具體如下：

圖2　信息A輿論場的因果回路Fig.2　Causal loop of public opinion field on information A

1)信息A輿論場反饋回路：如圖2所示，信息A可信度→信息A輿論場→相信信息A且不傳播者(TNG-A)→信息A傳播者(DG-A)→信息A傳播總量→信息A輿論場。根據(jù)假設(shè)3，在群體可自由選擇其行為狀態(tài)下，信息A輿論場的影響力大小主要取決于信息A本身的可信度及其傳播總量；由假設(shè)4可知，信息A輿論場的影響力會促進其他群體向TNG-A和DG-A轉(zhuǎn)移，同時抑制TNG-A和DG-A向其他群體轉(zhuǎn)移，即提高s1，s3和s7，降低s4和s8，從而促進TNG-A和DG-A人數(shù)的增加；在一定的信息A平均個體傳播量下，DG-A人數(shù)的增加必將致使信息A傳播總量的增加；而信息A傳播總量的增加又會進一步提升信息A輿論場的影響力，由此形成因果回路。

2)信息B輿論場反饋回路：如圖3所示。

圖3　信息B輿論場的因果回路Fig.3　Causal loop of public opinion field on information B

信息B可信度→信息B輿論場→相信信息B且不傳播者(TNG-B)→信息B傳播者(DG-B)→信息B傳播總量→信息B輿論場。與信息A輿論場反饋回路

不同的是，信息B輿論場的影響力會促進其他群體向TNG-B和DG-B轉(zhuǎn)移，同時抑制TNG-B和DG-B向其他群體轉(zhuǎn)移，即提高s2，s4和s8，降低s3和s7。

需要說明的是，群體在獲知信息A和信息B并形成相信其中一類信息的立場后，能夠決定其向相信另一類信息立場轉(zhuǎn)變的因素除了這2類信息的輿論場影響力外，更為根本的是其立場的堅定程度。由假設(shè)1中信息A和信息B的劃分標(biāo)準(zhǔn)可知，群體相信其中一類信息立場的堅定程度實質(zhì)是其對該類信息傳播渠道的相信程度，這主要取決于群體的立場認(rèn)知水平[14]。即：群體的立場認(rèn)知水平越高，其相信來自官方渠道的信息A可能性越大，而相信來自民間渠道的信息B可能性越小，故TNG-A向TNG-B的轉(zhuǎn)移概率越低，且TNG-B向TNG-A的轉(zhuǎn)移概率越高。

2.3　存量流量圖

進一步梳理速率變量(即群體間的轉(zhuǎn)移速率)、狀態(tài)變量(即不同群體的數(shù)量)及輔助變量(即信息A和信息B輿論場反饋回路中的影響因素)，借助Vensim軟件得到流圖，如圖4所示。

圖4　信息A和信息B共存情境下的流圖Fig. 4　Flow diagram under the situation of coexisting of information A and B

模型中的變量計算方法和構(gòu)造思路如下：

1)群體行為狀態(tài)轉(zhuǎn)移子框架

UG數(shù)量=INTEG(-v0，初始值)

(1)

KNG數(shù)量=INTEG(v0-v1-v2，初始值)

(2)

TNG-A數(shù)量=INTEG(v1+v3+v7-v4-v5，初始值)

(3)

TNG-B數(shù)量=INTEG(v2+v4+v8-v3-v6，初始值)

(4)

DG-A數(shù)量=INTEG(v5-v8，初始值)

(5)

DG-B數(shù)量=INTEG(v6-v7，初始值)

(6)

v0=UG數(shù)量×(DG-A數(shù)量+DG-B數(shù)量)×α

(7)

v1=KNG數(shù)量×s1

(8)

v2=KNG數(shù)量×s2

(9)

v3=TNG-B數(shù)量×s3

(10)

v4=TNG-A數(shù)量×s4

(11)

v5=TNG-A數(shù)量×p5

(12)

v6=TNG-B數(shù)量×p6

(13)

v7=DG-B數(shù)量×s7

(14)

v8=DG-A數(shù)量×s8

(15)

其中：式(1)～式(6)表明，當(dāng)前時刻狀態(tài)變量的取值是在初始值基礎(chǔ)上，初始時刻至當(dāng)前時刻流入與流出的凈值累加；式(7)表明，v0由UG與傳播者的數(shù)量及α決定[15]；式(8)～式(15)表明，群體間的行為狀態(tài)轉(zhuǎn)移速率與轉(zhuǎn)出群體的數(shù)量及其相應(yīng)的轉(zhuǎn)移概率正相關(guān)。

2)信息輿論場反饋作用子框架

信息A傳播總量=信息A的平均個體傳播量×DG-A數(shù)量

(16)

信息B傳播總量=信息B的平均個體傳播量×DG-B數(shù)量

(17)

信息A輿論場的影響力=0.3×信息A可信度+0.7×信息A傳播總量

(18)

信息B輿論場的影響力=0.3×信息B可信度+0.7×信息B傳播總量

(19)

s1=p1×(1+信息A輿論場的影響力/(信息A輿論場的影響力+信息B輿論場的影響力))

(20)

s2=p2×(1+信息B輿論場的影響力/(信息A輿論場的影響力+信息B輿論場的影響力))

(21)

s3=p3×(1+立場認(rèn)知水平)×(1+信息A輿論場的影響力/信息B輿論場的影響力)

(22)

s4=p4×(1-立場認(rèn)知水平)×(1+信息B輿論場的影響力/信息A輿論場的影響力)

(23)

s7=p7×(1+信息A輿論場的影響力/信息B輿論場的影響力)

(24)

s8=p8×(1+信息B輿論場的影響力/信息A輿論場的影響力)

(25)

其中：式(16)和式(17)表明，信息傳播總量取決于信息的平均個體傳播量與傳播者數(shù)量；式(18)和式(19)表明，信息輿論場的影響力由信息的可信度及其傳播總量決定；式(20)～式(25)表明，修正轉(zhuǎn)移概率與初始轉(zhuǎn)移概率正相關(guān)，信息A輿論場的影響力可以提高s1，s3，s7和降低s4，s8，信息B輿論場的影響力可提高s2，s4，s8和降低s3，s7，立場認(rèn)知水平可以提高s3，降低s4。

3　情景仿真

通過設(shè)計和仿真基礎(chǔ)情景，并將仿真結(jié)果與實際案例進行對比，檢驗?zāi)Ｐ偷哪M趨勢與現(xiàn)實狀況的一致性。進一步從決策者的危機管理角度出發(fā)，將基礎(chǔ)情景作為對照組，通過設(shè)計實驗情景考查模型中的關(guān)鍵可控因素對系統(tǒng)演化的影響，并據(jù)此給出調(diào)控策略和建議。

3.1　基礎(chǔ)情景仿真

設(shè)定UG數(shù)量的初始值為1 000；信息A和信息B的發(fā)布即為一種傳播行為，因此設(shè)定DG-A和DG-B數(shù)量的初始值均為1；信息A和信息B的出現(xiàn)時刻是群體能否獲取這2類信息的時間轉(zhuǎn)折點，因此設(shè)定該時刻下KNG、TNG-A和TNG-B的數(shù)量均為0；考慮到群體對官方渠道和民間渠道的關(guān)注偏好，設(shè)定立場認(rèn)知水平為0.5；信息可信度的取值區(qū)間為[0, 100]，即取值越高，信息可信度越高，據(jù)此將信息A和信息B的可信度分別設(shè)定為50；考慮到群體規(guī)模和個體傳播能力，將單位時間內(nèi)信息A和信息B的平均個體傳播量均設(shè)定為4。由于信息A和信息B在出現(xiàn)時刻及發(fā)展早期的傳播態(tài)勢較弱，因此未知者與傳播者的接觸率及其他群體間的初始轉(zhuǎn)移概率不大，不妨設(shè)定如下：α=0.01,p1=0.07,p2=0.14,p3=0.06,p4=0.06,p5=0.07,p6=0.09,p7=0.07,p8=0.07。

在此基礎(chǔ)上，通過將模型的仿真周期和步長分別設(shè)定為40 d和0.2 d，借助Vensim軟件對模型的上述基礎(chǔ)情景進行仿真，可得到模型中各群體數(shù)量的演化趨勢，如圖5所示。

圖5　基礎(chǔ)情景中系統(tǒng)演化的仿真結(jié)果Fig. 5　Simulation results of system evolution in basic scenario

由圖5可知，在系統(tǒng)演化初期(0—13 d)，信息B占主導(dǎo)(TNG-A的數(shù)量低于TNG-B的數(shù)量且DG-A的數(shù)量低于DG-B的數(shù)量)，這是由于突發(fā)事件具有突發(fā)性和危害性，群體因損失規(guī)避，往往傾向于相信和傳播信息B；在系統(tǒng)演化后期(24—40 d)，信息A占主導(dǎo)(TNG-A的數(shù)量高于TNG-B的數(shù)量且DG-A的數(shù)量高于DG-B的數(shù)量)，這是由突發(fā)事件的逐漸透明、正式或理性信息因被證實而增多、非正式或非理性信息因被證偽而減少及群體認(rèn)知觀念的更新等因素所決定；在系統(tǒng)演化中期(13—24 d)，TNG-A的數(shù)量高于TNG-B的數(shù)量，且差距迅速增大，而DG-A的數(shù)量低于DG-B的數(shù)量，且差距逐漸縮小，說明信息A和信息B在群體中的地位分別上升和下降。

上述仿真結(jié)果符合現(xiàn)實狀況。例如：2009年的成都公交縱火事件中，由于造成了人員傷亡，引發(fā)了群體的廣泛關(guān)注，事件發(fā)生伊始，雖然搜狐、騰訊等大型媒體及時發(fā)布了相關(guān)信息A(如：“事件進展”、“公安部門偵查實驗”、“政府領(lǐng)導(dǎo)慰問”)，但是相關(guān)信息B(如：“大火燒死上百人”、“公交車司機不開車門并最早逃跑”、“公交車存在安全隱患、自燃導(dǎo)致起火”)仍然得以在坊間流傳并迅速占據(jù)了輿論主導(dǎo)。此后，政府接連召開了5次新聞發(fā)布會，披露了“死亡20余人”、“公交車非自燃”、“當(dāng)事司機積極救人”、“汽車發(fā)動機完好”、“人為縱火”等信息(即信息A)。隨著信息A的數(shù)量增多且被證實，信息B逐漸得到澄清而被證偽，信息A逐漸取代信息B而占據(jù)輿論主導(dǎo)。

3.2　實驗情景仿真

相對于來自民間渠道的信息B，來自官方渠道的信息A更易受決策者監(jiān)測和調(diào)控。鑒于此，進一步研究模型中決策者的關(guān)鍵可控因素(信息A可信度、信息A的平均個體傳播量、立場認(rèn)知水平)的作用機制問題。為此，以基礎(chǔ)情景為基準(zhǔn)，設(shè)計以下3個實驗情景。

1)情景1：信息A可信度提高和降低20%(對應(yīng)情景1-1和情景1-2)，仿真結(jié)果如圖6所示。可見提高信息A可信度可顯著增多TNG-A和DG-A，并可顯著減少TNG-B和DG-B，尤其是第13 d后(即系統(tǒng)演化中期和后期)，而降低信息A可信度的作用恰恰相反。因此，發(fā)布信息A的官方渠道不僅應(yīng)該注重提升自身的公信力，還應(yīng)該注重一手?jǐn)?shù)據(jù)的獲取、信息撰寫規(guī)范性的優(yōu)化和群體對信息易接受表達方式的研判，提升信息A的可信度及其對信息B的抑制作用。

圖6　信息A可信度對系統(tǒng)演化的影響Fig. 6　Effect of credibility of Information A on system evolution

圖7　信息A的平均個體傳播量對系統(tǒng)演化的影響Fig. 7　Effect of AIDQ of Information A on system evolution

圖8　立場認(rèn)知水平對系統(tǒng)演化的影響Fig. 8　Effect of CLPG on system evolution

2)情景2：信息A的平均個體傳播量提高和降低20%(對應(yīng)情景2-1和情景2-2)，仿真結(jié)果如圖7所示。可見與信息A可信度相比，信息A的平均個體傳播量對系統(tǒng)演化的影響規(guī)律類似，但影響更為顯著。隨著新媒體和4G網(wǎng)絡(luò)的普及，移動設(shè)備日益成為人們獲取信息和抒發(fā)情緒的首選。在此新形勢下，非正式或非理性的信息B出現(xiàn)概率被大幅提升，因此決策者應(yīng)該鼓勵社交網(wǎng)絡(luò)中的“大V”積極傳播信息A，引領(lǐng)民眾，主動占據(jù)輿論制高點，規(guī)避信息B惡意傳播造成的潛在危機。

3)情景3：立場認(rèn)知水平提高和降低20%(對應(yīng)情景3-1和情景3-2)，仿真結(jié)果如圖8所示。可見與上述2個因素相比，立場認(rèn)知水平對系統(tǒng)演化影響的顯著性較弱，但影響規(guī)律仍類似。新媒體具有雙向互動和準(zhǔn)入門檻低等特點，易積聚信息B并誘發(fā)群體恐慌。為此，決策者一方面應(yīng)該督促新媒體運營商主動倡導(dǎo)正面輿論和調(diào)控負(fù)面輿論，另一方面應(yīng)該增強歷史案例的宣傳、負(fù)面輿論的危害警示和群體關(guān)切的及時回應(yīng)，提高群體在突發(fā)事件爆發(fā)后關(guān)注與信任官方渠道的意識。

4　結(jié)論

1)將系統(tǒng)動力學(xué)的應(yīng)用擴展到突發(fā)事件下的多種信息共存情境，建立信息交互關(guān)系框架和系統(tǒng)動力學(xué)模型，為研究該情境中信息間的交互規(guī)律、動力機制和調(diào)控策略提供思路。

2)官方渠道所發(fā)布信息的可信度、平均個體傳播量及群體的立場認(rèn)知水平，與相信和傳播官方渠道信息的人數(shù)均正相關(guān)，而與相信和傳播民間渠道信息的人數(shù)均負(fù)相關(guān)。

3)對于各群體數(shù)量演化影響的顯著性而言，官方渠道信息的平均個體傳播量最高，官方渠道信息的可信度次之，群體的立場認(rèn)知水平較低。

4)多種信息間除了具有異質(zhì)性或競爭性關(guān)系，還具有同質(zhì)性或疊加性關(guān)系，故多種同質(zhì)性信息共存情境或多種異質(zhì)性和同質(zhì)性信息共存情境中的群體狀態(tài)耦合機制問題仍需深入研究。

[1]RACHANIOTIS N P, DASAKLIS T K, PAPPIS C P. A deterministic resource scheduling model in epidemic control: A case study[J]. European Journal of Operational Research, 2012, 216(1): 225-231.

[2]劉怡君，陳思佳，黃遠(yuǎn)，等. 重大生產(chǎn)安全事故的網(wǎng)絡(luò)輿情傳播分析及其政策建議—以“8·12天津港爆炸事故”為例[J]. 管理評論，2016，28(3)：221-229.

LIU Yijun, CHEN Sijia, HUANG Yuan, et al. The analysis and policy recommendations on the spread of network public opinion in major production safety accidents: A case study of the 8·12 Tianjin port explosion[J]. Management Review, 2016, 28(3): 221-229.

[3] 陳業(yè)華，康亞紅，宋之杰. 公共場所突發(fā)事件情境下受災(zāi)人群間信息的傳播與擴散研究[J]. 數(shù)學(xué)的實踐與認(rèn)識，2015，45(16)：44-54.

CHEN Yehua, KANG Yahong, SONG Zhijie. The research of information dissemination and diffusion between the affected people in the scenario of public places emergencies[J]. Mathematics in Practice and Theory, 2015, 45(16): 44-54.

[4] 武澎，王恒山，李煜. 突發(fā)事件信息傳播超網(wǎng)絡(luò)中樞紐節(jié)點的判定研究[J]. 管理評論，2013，25(6)：104-111.

WU Peng, WANG Hengshan, LI Yu. Determination of the hub nodes in the emergencies’ information dissemination supernetwork[J]. Management Review, 2013, 25(6): 104-111.

[5] OU C, JIN X, WANG Y, et al. Modelling heterogeneous information spreading abilities of social network ties[J]. Simulation Modelling Practice and Theory, 2017(75): 67-76.

[6]ZHANG Y, TANG C, LI W. Cooperative and competitive dynamics model for information propagation in online social networks[J]. Journal of Applied Mathematics, 2014(2): 1-12.

[7]WANG J, ZHAO L, HUANG R. 2SI2R rumor spreading model in homogeneous networks[J]. Physica A: Statistical Mechanics and its Applications, 2014, 413(1): 153-161.

[8]XIE M, JIA Z, CHEN Y, et al. Simulating the spreading of two competing public opinion information on complex network[J]. Applied Mathematics, 2012, 3(9): 1074-1078.

[9]XU J, ZHANG L, MA B, et al. Impacts of suppressing guide on information spreading[J]. Physica A: Statistical Mechanics and its Applications, 2016(444): 922-927.

[10]王治瑩，岳朝龍. 輿情傳播中考慮公眾風(fēng)險感知的多資源流應(yīng)急優(yōu)化調(diào)度[J]. 中國管理科學(xué)，2016，24(6)：115-123.

WANG Zhiying, YUE Chaolong. Emergency optimal scheduling of multi-resource flow considering the public’s risk perception in public opinion propagation[J]. Chinese Journal of Management Science, 2016, 24(6): 115-123.

[11]MORALES A J, BORONDO J, LOSADA J C, et al. Efficiency of human activity on information spreading on Twitter[J]. Social Networks, 2014, 39(1): 1-11.

[12]王治瑩，李勇建. 政府干預(yù)下突發(fā)事件輿情傳播規(guī)律與控制決策[J]. 管理科學(xué)學(xué)報，2017，20(2)：43-52，62.

WANG Zhiying, LI Yongjian. Propagation law and coping strategies for public opinions in emergency with the consideration of the government intervention[J]. Journal of Management Sciences in China, 2017, 20(2): 43-52, 62.

[13]FRIEDKIN N E, PROSKURNIKOV A V, TEMPO R, et al. Network science on belief system dynamics under logic constraints[J]. Science, 2016, 354(6310): 321-326.

[14]DEYOUNG S E, WACHTENDORF T, FARMER A K, et al. NOAA radios and neighbourhood networks: demographic factors for channel preference for hurricane evacuation information[J]. Journal of Contingencies and Crisis Management, 2016, 24(4): 275-285.

[15]OSTHUS D, HICKMANN K S, CARAGEA P C, et al. Forecasting seasonal influenza with a state-space SIR model[J]. The Annals of Applied Statistics, 2017, 11(1): 202-224.