基于Netlogo的群體暴力建模與實現

劉雨君　石寶　張蕊鑫　續東升

摘要：為了更加形象而深入的研究群體性暴力行為的形成原因和演化過程，本文在對原有的研究基礎上，用一種新的模型對群體性暴力事件進行研究，在該模型中引入了影響人行為的三個因素：不滿、理性、威懾。分析個體暴力行為的實施則主要受到這些方面的影響。

關鍵詞：群體暴力;行為因素;建模實現

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）07-0222-03

Abstract： In order to better image and violence research group in-depth reasons for the formation and evolution process， this paper on the basis of the original research， with a new the model of mass violence， the effect of human behavior is introduced in the model three because of dissatisfaction， rationality， deterrence： pro. The implementation of individual violence is mainly influenced by these aspects.

Keywords： Group violence; behavior factor; modeling and implementation

群體性暴力事件是一種常見的社會現象，嚴重危及人類社會的穩定和發展。目前我國社會飛速發展，致力于社會主義現代化建設，經濟利益格局逐漸壯大，但與此同時群體性暴力事件也不斷發生，例如新疆的“七五事件”、貴州的“甕安事件”和云南的“孟連事件”等。群體事件一般都是一群有強烈社會不滿情緒的人員聚眾做出一系列危害社會的行為，可能導致交通癱瘓，通信中斷，人員傷亡，財產損失等嚴重后果。因此預防和打擊群體性暴力事件對社會和諧穩定尤為重要。已有研究致力于群體事件的原因、性質、人員構成與心理行為等的研究，這些分析方法只能算是事后分析，忽略了預防性的分析與研究。

本文基于孫繼真等研究者對群體事件的建模與仿真工作，提出了基于個性的群體暴力事件的建模與實現方法，以便為公安機關等部門提供一定的理論依據去更好的處理此類危害社會安全的群體性暴力事件。

1 基于個性的群體暴力行為

1.1 個體個性

個體個性是指個體比較穩定的、具有一定傾向性的可以影響個體本身并與他人有所區別的心理特征的總和。個體個性不同，受不滿意因子的影響對個體行為或事件有不同反應，冷靜個體能控制情緒，急躁個體易受環境影響，社會不滿度高，易產生暴力情緒，個體不滿度定義為perceived-hardship;不同個性個體情緒表達方式不同，定義為expression;個體對事件的接受程度不同，對事件反應也不同，在本文反映為個體開放性acception;風險認知是個體對存在于外界環境中的各種客觀風險的感知，定義為risk-aversion，用Ri表示，風險認知能夠影響個體的態度從而選擇自己的行為，決定著個體是否要轉化為暴徒。以上變量取值范圍均為[0，1]。

1.2 不滿情緒

個體不滿度大多源于利益沖突和社會矛盾，是一種對社會穩定不利的社會心理現象。本文將不滿情緒定義為grievance，用G表示，不滿情緒取決于個體不滿度和個體理性度：G=Ph*（1-H1），其中Ph為個體不滿度，H1為個體理性度。

1.3 警察個體

對于警察的抓捕行為，如果鄰域范圍內警察多于暴徒，警察趨于向暴徒方向移動并實施抓捕行為，否則暴徒聚集，警察難以實施抓捕行為，警察趨于向身邊警察多的范圍移動。

1.4 暴徒個體

暴徒視野范圍內警察越多被抓捕的風險越大，暴徒趨于向避開警察密集的區域移動，反之視野范圍內暴徒越多，被抓捕的風險越小，暴徒趨于向暴徒密集的區域移動。暴徒被抓捕的風險等級定義為arrest-probability，用AP表示，AP=1-exp{-k|NC/NA|}，其中NC和NA表示視野范圍內警察和暴徒的數量。

在整個群體性暴力事件中，普通個體在一定條件下會轉化為暴徒，轉化條件為：G-Ri*AP>threshold。

2 算法思想

運用Netlogo對于群體性暴力事件進行仿真模擬實驗，通過改變警察數量、個體視野范圍內其他個體的數量和刑罰大小等參數來研究相應的暴力事件發生的情況。在算法上首先進行環境初始化，之后創建不同個體并進行初始化和屬性設置。個體根據自己的移動規則可以移動到沒有其他個體的指定位置，警察、暴徒、旁觀者會對自己的行為做出選擇，然后判斷自己所要移向的個體。旁觀者隨機移動，在一定條件下個體會轉化為暴徒，暴徒對視野范圍內其他個體進行攻擊，警察在一定范圍內巡視，當發現視野范圍內警察多于暴徒時，警察根據抓捕規則對距離最近的暴徒實施抓捕行為，暴徒被抓捕后，在最大刑期范圍內判刑，代表暴徒的個體消失一定時間，但如果視野范圍內暴徒多于警察時，警察則遠離暴徒。

3 實驗數據與實驗結果分析

3.1 警察數量對事件的影響

警察抓捕暴徒，制止暴徒的暴力行為。警察數量在0-100范圍內取值，觀察離開的人、暴徒、旁觀者的變化情況，其他變量都設置為中值，視野范圍大小都為10，理性程度設置為0.1，人群擁擠度為20，轉化臨界值為0.5。實驗結果如圖1、2所示。

實驗結果顯示，隨著警察增多，暴徒沒有減少反而增多，離開的人變化幅度不是很明顯，旁觀者隨警察增多整體趨勢上減少。由此可見，在暴力行為的建模與實現中，一味地增加警察的數量并不會直接導致暴徒數量減少，在現實生活的社會治安過程中，要靠合理的方式來控制暴徒的暴力行為。

3.2 視野范圍內人數對事件的影響

視野范圍內警察和普通個體數量均在1-50范圍內取值，觀察離開的人、暴徒、旁觀者的變化情況，其他變量都設置為中值，視野范圍大小都為10，理性程度設置為0.1，人群擁擠度為20，轉化臨界值為0.5。實驗結果如圖3、4所示。

實驗結果顯示，暴徒隨著視野范圍內人數的增多而增多，直到視野范圍達到20時，暴徒的變化趨于一個穩定的狀態，離開的人數變化不是很明顯，旁觀者會隨著視野范圍內人數的增加而減少。視野范圍內人數越多，暴徒逃跑能性就越大，會直接導致警察的抓捕暴徒的可能性降低，所以暴徒會增多，這給我們在現實治安生活中的建議是警察要在控制暴徒的視野范圍的情況下，擴大自己的視野范圍，這樣有利于提高對暴徒的控制，提高抓捕暴徒的效率。

3.3 刑罰大小對事件的影響

當暴徒被抓捕后，在相應的最大刑期的范圍內會對被抓捕的暴徒進行判刑，這決定著暴徒消失的時間長短，在最大刑期的范圍內，分別將判刑時間定為10到100十種情形，觀察離開的人、暴徒、旁觀者變化，控制其他變量保持不變。實驗結果如圖5和圖6所示。

從實驗結果可以看出隨著刑罰時間的增加，暴徒會相應的減少，離開的人的變化不明顯，旁觀者的變化在300人左右浮動，變化相對穩定，所以刑罰時間主要影響著暴徒數量的變化，刑罰時間越長，暴徒數量越少。在現實的治安過程中，可以根據暴徒相應的罪行在合理的刑期之內判刑，這樣更有利于打擊暴徒的暴力行為，并控制暴徒出獄之后的再犯，有利于社會的和諧穩定。

4 小結

本課題中，在Netlogo建模的基礎上，通過對個體個性的研究對警察數量、視野范圍內人數和刑罰時間的長短對暴力行為的影響做了分析研究，通過對數據的比較，驗證了所得結果的合理性，發現在群體性暴力事件的演化過程中，刑罰時間的長短和視野范圍的人數會影響暴徒的數量，同時還發現，如果只是單純的增加警察的數量，也會導致群體性暴力事件發展難以控制，從而導致嚴重的后果。

參考文獻：

[1] 黨會森，廣寬，卜凡亮.基于Agent的群體性暴力事件的建模與仿真[J].阜陽師范學院學報（自然科學版），2012，29 （2）：60-65.

[2] 黨會森，廣寬.群體性暴力事件的仿真研究[J].中國公共安全（學術版），2012（3）：6-8.

[3] 高萌萌，王一伊，卜凡亮.群體性暴力事件形成計算分析[J].北京警察學院學報，2015（2）：102-109.

[4] Epstein， J.M.Modeling civil vioience：An agent-based computational approach[J].PNAS，2002，99（3）：7243-7250

[5] Gilbert N，Troitzsch K G.Simulation for the social scientist[EB/OL].2005

[6] 廖守億，戴金海.復雜適應系統及基于Agent的建模與仿真方法[J].系統仿真學報，2004，16（1）：113-117.

[7] 岳峰，榮明，胡曉峰，等.基于Agent構建群體行為模型[J].裝甲兵工程學院學報，2008，22（1）：68-71.

[8] 岳峰，榮明，胡曉峰，等.基于Agent構建群體行為模型[J].裝甲兵工程學院學報，2008，22（1）：68-71.

[9] 常寧寧.基于多智能體的群體性事件仿真研究[D].長沙：國防科學技術大學，2008.

[10] 孫繼真，卜凡亮.群體性暴力事件的對抗仿真研究[J].中國人民公安大學學報（自然科學版），2012，18（1）：68-72.

[11] 陳鵬，陳建國.突發性群體暴力活動的多主體建模研究[J].計算機仿真，2015，32（1）：377-381.

【通聯編輯：唐一東】