網絡空間中情感擴散、信息級聯與輿論偏差的內生影響效應研究
——基于2015—2020年突發事件面板數據動態分析

陽長征

（西安交通大學新聞與新媒體學院，西安 710049）

1 引 言

近年來，互聯網的快速發展和廣泛使用，在為公眾提供廣闊的話語空間以及自由表達的同時，也促使各類網絡突發事件頻發，形成難以遏制的社會輿論，并且已對社會造成了重大影響，如2020年新冠肺炎、2018年長春長生疫苗事件等。事件發生后，一方面，由于網絡情感傳播和信息級聯，受眾易于受到意見領袖、從眾心理等因素的影響，從而產生認知偏差；另一方面，由于線上、線下實時互動，且把關人缺位，事件傳播過程易于產生信息噪音。在上述因素疊加共振的作用下，突發事件網絡輿論出現偏差，進而對公眾心理及社會健康發展產生嚴重負面影響，因此，突發事件網絡輿論已成為了人們高度關注的社會問題。

情感作為網絡輿論演化的重要動力，其傳播過程則是情緒載體通過所嵌入的社會網絡進行傳導和擴散，形成情感互動，并建立起特定情感關系的過程。當突發事件發生后，情感傳播在公眾中可形成大規模網絡動員，并不斷促進網民的情感共振與話語協同，影響著網民對事件本身的思考與解讀，從而導致突發事件網絡輿論偏差的形成和不斷放大[1]。同時，信息級聯理論指出，人們在某些情境下，傾向于認為他人所提供的信息比自身以其他方式獲取的信息更具可信度和合理性，忽略自身所獲得信息的可靠性，從而選擇從眾性地加入該類人群，并保持與多數群體成員相一致的看法、判斷和行為，導致對事物的認知產生偏差[2]。而差序格局理論指出，差序格局作為社會關系結構現象，常發生于熟人關系、地緣關系中，在其中信息的傳播以個體為中心，像水波紋一樣推及開去。在差序格局中，每個人均以自我為中心結成網絡，就像將一塊石頭扔至湖中，以這塊“石頭”（即個人）為中心點，在四周形成一圈圈波紋，波紋的遠近可以標示社會關系的親疏，并隨自身所處時空的變化而產生不同的圈子[3]。傳播學水紋效應模型也指出，信息傳播過程就像在平靜的湖水中扔下一顆石子，水紋會快速地向周圍產生共振波，其擴散的范圍和效果受到水質和水面地形的影響而有所不同。同樣地，在網絡空間中，信息的傳播過程也具有該擴散效應。針對網絡突發事件，人們由于無法獲得危機事件的確切信息，容易產生從眾效應，導致信息級聯行為。由于網絡社會人際關系的差序格局特征以及網絡信息傳播的波紋效應，在網絡突發事件中，人們在對信息的認知和接受上容易形成信息差序級聯效應，導致人們對事件形成輿論偏差，進而影響社會的穩定和健康發展。在此背景下，本文研究突發事件中網絡空間情感擴散、信息差序級聯與輿論偏差間的內生影響，并探索如下問題：①網絡空間中情感擴散、信息差序級聯與輿論偏差間的脈沖響應效應及邊際影響力如何？②變量間的脈沖響應效應及邊際影響力在不同用戶細分群體間的差異性如何？

通過對上述問題的研究，可以發現網絡空間中情感擴散、信息差序級聯與輿論偏差之間相互影響的大小和方向，以及該影響效應在不同時間點的動態變化特征，并能夠分離出各變量對其他變量波動的貢獻率，各變量間影響效應在性別、年齡和學歷群組上呈現的差異。根據研究發現，可挖掘出我國突發事件情感擴散、信息差序級聯和網絡輿論偏差的主要影響因素，制定有針對性的情感引導、級聯監管和偏差糾正的具體措施，并根據不同細分群體而采用差異化監管策略，從而提高突發事件網絡輿情的防控及治理效率和效果。

2 文獻綜述

為了深入了解網絡輿情形成及演化過程的影響機理，國內外的學者們一直從不同視角對網絡輿情進行探索和研究。

2.1 情感擴散與網絡輿論

國內對情感擴散與輿論關系的研究：一部分學者從輿情傳播過程的情感變化進行探索，如毛太田等[4]以“上海警察絆摔小孩事件”為例，收集新浪微博中的相關數據作為研究的數據支持。借助微博主題挖掘、關鍵詞提取、網絡信息生命周期等搜索技術和理論，通過情感分析，全面呈現了網絡熱點事件的特征。研究發現，新媒體時代的網絡熱點事件傳播速度更快，信息更新周期更短，整個生命周期都沒有經歷明顯的“成長期”。同時，熱點事件信息本身可能是在公眾的情感沖動中被誤解和放大，還可能被惡意利用于散布虛假信息和有害信息。在信息不明確的情況下，公眾很容易受到公眾最主要觀點的影響，并且在沒有驗證的情況下做出錯誤判斷。因此，及時宣布事件的真相，并抓住信息“生態位”顯得非常必要。陳顯龍等[5]以2015年排名前十位的熱點事件為研究對象，基于微博的情感特征和傳播特性，構建了微博場能量模型。研究結果表明，根據微博情感效價的絕對值，傳播特征的指數越高，則微博輿論的積極或消極能量越高，且微博會出現二次峰值。時間指數越大，微博輿論的耗散能量越大，微博客輿論能量值下降得越快。也有一部分學者從話題互動層面探討輿情演化過程中的情感傳播，如蔣曉麗等[6]基于互動儀式理論，認為網絡話題是互動儀式的一種新形式。在網絡互動中，情感是根本力量，事件的主題通過互動儀式獲得情感能量，以分享情感內容。事件的展開，不僅是輿論建構的過程，也是情感激活和情感共鳴（即情感交流互動）的過程。

國外的相關研究，一部分學者從信息符合表征和信息系統的角度展開研究，如Buck等[7]將情感交流研究與麥克盧漢的媒體分析聯系起來，指出麥克盧漢通過電子媒體識別出的整體認知過程，并非源于感官比例的模糊變化，而是源于符號傳播的相對作用減少，以及電子媒體自發性情感交流的作用擴大。研究成果提供了一種替代機制，通過該機制可以理解比感官概念更能接受的“地球村”現象。同時，鏡像神經元證據表明，通過視頻和音頻表示發送者的情感表現，聽眾可以直接理解發送者的感覺和愿望，電子媒體可促進親社會、利他和同情的反應，以及促進仇恨和無情的反應。Nabi[8]研究了情感作為信息選擇的動力，信息暴露的結果以及其他媒體效應機制，探討了擴展媒體和情感影響的方式，并指出情感一直是面向媒體的傳播重要部分，人們使用媒體來調節其情感狀態。Rice等[9]研究了網絡計算機傳播形式，指出計算機介導的通信系統可以促進社交情感內容的適度交換，并可支持社會情感交流。系統之間的交流模式具有較強的連接性，且網絡角色在社交情感內容上的比重通常沒有差異。也有一部分學者從元認知和信息內容的角度展開研究，如Bartsch等[10]借助情感的評估理論，提出了一種元情感和情緒調節的過程模型，將元情感理解為一種監視和評估情感，并激活情感的反應過程，從而激發維持和產生情感以及控制或避免情感的動機。這種元情感過程在媒體用戶選擇或拒絕特定媒體產品方面，以及在邀請其體驗情感方面起著重要作用。該框架可整合先前不相關的情緒，并在指導媒體選擇使用中發揮重要作用。Stepanov等[11]發現，基于所確定的情感陳述，有助于確定用戶的情緒狀態的對話，以便推薦如電影、視頻、數字書或其他媒體內容作為用戶的選擇內容。用戶可基于由媒體內容引起的情緒來對媒體內容進行評級，這些內容包括表情符號、文本消息等，并可以使用這些表情或文本來傳達由媒體內容引起的情緒。Derks等[12]指出，有人認為在計算機介導的交流（computer-mediated communication，CMC）過程中，情感交流比在面對面（face to face，F2F）交流中困難得多。但通過對離散情緒和情緒表達以及自我披露或情緒風格的研究，發現沒有證據表明CMC中比F2F中的情緒傳播較低或個人參與程度較低。相反地，CMC中的情感交流比F2F更頻繁、更明確。

2.2 信息級聯與網絡輿論

關于信息級聯與網絡輿論關系的研究，國內關于信息級聯的研究，主要集中于信息級聯的影響因素和影響路徑而展開，如劉啟華等[13]對在線購物環境下的信息級聯進行了實證研究，獲得了信息級聯和在線口碑對產品銷售影響的混合結果。董健等[14]通過捕獲社交網絡數據，發現信息級聯大小分布遵循胖尾分布，信息的吸引力和影響力對級聯大小分布具有重要影響。蔡國永等[15]通過對新浪微博的分析，將信息傳播的級聯模型引入標記傳播樹（la‐beled propagation tree，LPT），構建了一種“標簽級聯傳播樹（labeled cascad propagation tree，CALPT）”的信息級聯模型。鄧衛華等[16]研究了一個新浪虛擬社區中負面信息的從眾行為，研究結果表明，負面信息的擴散會受到用戶在其中形成級聯的深度和廣度的影響。

國外相關研究，一部分學者對其影響因素進行探索，如Lin等[17]分析了什么可能導致股票市場中信息級聯通常的原因，研究表明，信息級聯可能更多地與投資者的內在搜索成本結構有關，而不是與信息相關的因素有關。Anderson等[18]通過級聯實驗檢驗了從個人接收不完全信息，并按順序進行公共決策，會導致行為的一致性。也有學者從信息級聯的過程進行研究，如Kaneko[19]在混沌網絡中研究了信息級聯的過程。研究結果表明，在部分有序的狀態下，簇的分裂和級聯是同步平衡的，并在分叉參數的間隔內保持了邊際穩定性。Romero等[20]調查了民意測試差異是否歸因于信息級聯效應，即后來的受訪者采用了先前受訪者的決策，表明在事件安排期間會發生級聯效應。Tinati等[21]根據作者的編輯活動，回答和識別了與使用Wikipedia文章信息級聯有關的問題，發現可以通過使用編輯活動在Wikipedia文章之間構建信息級聯。另外，有一些學者則對信息級聯的形成機理和演化機制進行探索，如Kim等[22]探討了中心性對社交網絡決策的社會影響，以及中心性如何導致市場中信息級聯的行為，發現特征向量中心性與行為者信息級聯在統計上存在顯著相關，并指出在擴散初期，中心性的錯誤決策會嚴重導致的信息級聯。在級聯過程中，中心性的橋梁作用比其在關鍵位置的作用更具影響力。Li等[23]指出，在網絡中只有一小部分信息趨向于變得非常流行，而其余信息仍然未被注意或迅速消失。這種典型的“長尾”現象在社交媒體中非常普遍，該現象即受到信息級聯的影響。Eftekhar等[24]針對基于組的問題建構了一種精細的信息傳播模型，形成了一種在該模型下具有影響力的組的算法以及一個粗粒度模型。Tong等[25]討論了兩種用戶在城市范圍內活動的信息決策，分析了級聯子圖的規模和范圍、級聯子圖的結構特征、擴展樹的拓撲屬性和級聯子圖的出現頻率，并提出了一種新的信息傳播模型。

綜上所述，一方面，過去研究主要集中于情感傳播、信息級聯和網絡輿論的兩兩變量之間關系的分析，尚未存在將三個變量置于同一理論框架下，作為系統結構進行模型建構和分析。然而，情感傳播、信息級聯和網絡輿論作為密切關聯且具有內生性的變量，若兩兩變量進行單獨分析或與其他變量建立不同的系統結構模型，進行分析所獲得的結果可能存在較大差異。同時，針對網絡突發事件，人們由于無法獲得危機事件的確切信息，容易產生從眾效應，導致信息級聯行為。而由于網絡社會人際關系的差序格局特征和網絡信息傳播的波紋效應，在網絡突發事件中，人們在對信息的認知和接受上容易形成差序級聯效應，導致人們對事件形成輿論偏差。因此，本文創新性提出了“信息差序級聯”概念，并用于分析其在輿論偏差中的影響效應。另一方面，過去雖有關于變量間影響效應大小的研究，但尚未涉及對變量間的邊際影響力進行更細致的分析，而通過邊際效應的分析可以尋找到情感引導、級聯監控和偏差糾正的最佳“投入-產出”效率的監管策略?；诖?，本文將情感傳播、信息差序級聯和網絡輿論置于同一理論框架下，作為系統結構進行模型建構，采用向量自回歸和狀態空間方法，分析內生變量間的脈沖響應和邊際影響力，并借助面板數據模型分析各變量間影響效應在不同人口統計學群體間的差異性。

3 變量說明與數據收集

3.1 變量說明

輿論偏差：是指人們在認知自我、他人或外部環境時，常因自身或情境的因素，使得認知結果與客觀真實出現偏差的失真現象。基于“情感詞典+語義規則+機器學習”模式，結合卷積神經網絡CNN（convolutional neural networks）模型，對突發事件網絡輿論中的情感及認知等字符和圖像進行識別、提取、分類，采用Fisher判別準則進行降維，并標注生成輿論偏差序列。運用循環神經網絡RNN（recurrent neural network）模型及貝葉斯神經網絡，對網絡輿論中的認知詞匯進行擴展計算和深度學習，并對數據進行訓練和測試，計算即時輿論客觀度權重、事后輿論客觀值和輿論偏差系數。對于某一時間節點i，采用ei=|p i-p|對輿論偏差進行測量，其中ei表示輿論偏差；p i代表即時輿論客觀度權重；p代表事后輿論客觀值。對于事件整體輿論偏差，采用標準差公式

對其進行計算，其中，N代表時間節點總數[26]。

情感擴散：是指情緒載體通過所嵌入的社會網絡進行傳導和擴散，形成情感互動，并建立起特定情感關系的過程。基于“情感詞典+語義規則+機器學習”模式，結合卷積神經網絡CNN模型突發事件網絡輿論中的情感字符和圖像進行識別、提取、分類，采用Fisher判別準則進行降維，并標注生成情感序列。運用循環神經網絡RNN模型和貝葉斯神經網絡，對網絡輿論中的情感詞匯和認知詞匯進行擴展計算和深度學習，并對數據進行訓練和測試，計算情感字符權重、情感粒度、中值價值率及輿論偏差系數。根據傳染病SIRS（susceptible-infec‐tious-recovered-susceptible）模型，采用f(e)=測量總體概率密度函數的擴散概率，其中，μ(x)為定義在(-∞,+∞)上的一個波雷爾可測函數，即情感擴散函數，c為大于0的常數，即窗寬；e代表可能出現的任一觀測值[27]。根據分子擴散思想[28]，正態擴散函數為μ(x)=并將該擴散函數代入f(e)函數中，可得母體概率密度函數f(e)正態擴散估計，即

其中，h為經驗窗寬，其值可根據擇近原則導出。

差序級聯：是指在網絡差序格局中，用戶認為他人所提供的信息比自身以其他方式獲取的信息更具可信度和合理性，并忽略了自身所獲得信息的可靠性，從而從眾性地加入該類人群，并與所參照群體的認知保持一致[29]。差序級聯的形成通常包括兩步過程：首先，個人須處于決策性狀態，且多為非此即彼的二維決策情境；其次，可通過觀察他人行為或類似情景中的他人行為結果等外部因素來影響該決策。該過程的形成包括五個基本部分：①需做出決策；②存在非此即彼的有限決策空間；③人們按順序做出決定，個體均可以觀察早期行動者的選擇；④個體均能獲取自己所需的某些信息，有助于指導自身決策；⑤個體不能直接觀察他人掌握的外部信息，但可從其所做的事情中推斷出相關信息。在突發事件中，信息的轉發與評論行為是用戶在網絡輿論中產生差序級聯呈現的主要方式。針對某一時間節點，根據信息概率論理論，采用c=對差序級聯進行計算，其中，p(A∪B)表示當評論或轉發發生時的概率，當評論或轉發時，取值為1；否則，為0。m為評論的次序級聯概率；p為評論的內容級聯概率；n為轉發的次序級聯概率；z為轉發的內容級聯概率。針對整個事件的差序級聯系數，采用條件概率

其中，p(A|B)表示差序級聯發生的情況下差序級聯行為的概率[30]。

3.2 數據收集

3.2.1 樣本選取

通過對我國于2015—2020年所發生的突發事件進行梳理和分析，以知名度、媒體報道程度、危機關注度、危機持續性、危機影響力以及危機破壞力6個維度作為選擇標準[31]，結合中央編辦國家事業單位“輿情戰略研究中心”歷年發布的典型突發事件進行綜合考量，最終確定選擇11個具有代表性的突發事件，該樣本涵蓋了衛生、檢法、汽車、交通、藥品、幼兒、餐飲、醫療、酒店和教育等大多數領域。一方面，由于所選突發事件的綜合影響力較大，且均為人們日常生活所接觸，所涉及的領域均為公眾所熟悉，并與公眾具有較高關聯性，因此，公眾在事件輿論上的參與程度整體上相對較高，從而提高數據獲取的效率及數據的有效性。另一方面，由于所選突發事件具有不同的性質，涉及教育、衛生和安全等不同主題，而不同主題的突發事件在輿論演化生命周期上存在一定差異。例如，有的突發事件輿論演化周期較短，有的突發事件輿論演化周期較長。為了保障數據獲取時間長度的有效性，保證不同主題和不同性質的突發事件，在不同時間節點基本處于同一輿論階段或同一生命周期，故在樣本選取過程時，考慮了事件性質、事件重要性、涉及面等維度，并側重于具有“特定”性質的突發事件，而不將具有“長期性”社會問題的事件納入其中，其目的是保證事件輿情的發展、高潮和衰退周期長度的差異性較小，并降低數據有效時長出現嚴重差異化與輿情周期的嚴重不齊。其樣本分布特征如表1所示。

3.2.2 數據獲取

社交媒體的快速發展和應用，已使其成了人們進行信息獲取和傳播的重要途徑，也成為了公眾獲取和擴散突發事件信息的重要方式和主要途徑，因此，本文選取社交媒體作為突發事件網絡輿論信息的獲取平臺。微博是當前主要的社交媒體平臺，其數據的開放性和獲取性相對其他社交媒體平臺更為可行。國內較為成熟的微博平臺主要有新浪微博、網易微博、搜狐微博以及騰訊微博。其中，新浪微博是當前運營最成功，使用規模、訪問量、注冊數和使用率均為最大的微博平臺。中國互聯網絡信息中心（China Internet Network Information Center,CNNIC）發布的第44次《中國互聯網絡發展狀況統計報告》（http://www.cac.gov.cn/2019-08/30/c_1124938750.htm）顯示，自2013年開始，搜狐、網易、騰訊等公司對微博投入力度陸續減少，微博整體市場進入洗牌期。截至2015年6月，微博市場品牌競爭格局已經明朗，用戶逐漸向新浪微博遷移和集中。其中，新浪微博用戶占69.4%，一至五級城市的新浪微博使用率均在65%以上，全面超越其他微博運營商，新浪微博一家獨大的格局已經基本確立和穩定。同時，根據2019年3月15日新浪微博數據中心發布的《2018微博用戶發展報告》（https://data.weibo.com/re‐port/reportDetail?id=433），2018年第四季度財報顯示，新浪微博月活躍用戶4.62億，連續3年增長超過7000萬；微博垂直領域數量擴大至60個，月閱讀量過百億的領域達32個。因此，本研究選取新浪微博作為微博平臺樣本，能夠較好地代表社交信息平臺的特征和屬性。

本研究采用網絡爬蟲技術對樣本數據進行采集，在其數據抓取過程中，首先需要將站點中某一組需要訪問的URL（uniform resource locator，統一資源定位符）設置為爬行起始地址，采用廣度優先爬行策略對每個URL指向的頁面信息進行抓取，并對頁面中的內容進行解析，然后繼續抽取下一個鏈接的URL進行頁面爬取和解析，依次反復爬行，直至程序運行結束，從而實現對網絡平臺的相關頁面信息進行抓取。

綜合考慮各突發事件樣本信息傳播過程的有效時長，確定對各樣本事件輿情的跟蹤時間為21天，在數據搜集過程中，為了數據整理和表達的方便，對所獲取的數據進行統一編號處理，對每一位用戶及其轉發的信息賦予唯一的ID編號。對數據進行清洗，包括對數據一致性、重復數據、無效數據、缺失值、錯誤數據等可識別的不符合要求的數據和文件進行審查、校驗、糾正和處理。經過數據清洗后，共獲得有效數據54793條，根據所爬取字節和內容進行識別、分析、提取和賦值，并計算形成包含情感擴散系數、信息差序級聯系數以及輿論偏差系數三個變量的面板大數據。最后，形成兩個數據集，即數據集1和數據集2。數據集1為所采集用戶的具體資料信息，主要包含如下變量：用戶ID、昵稱、所在地、性別、創建時間、認證狀態；數據集2為所采集用戶的轉發及內容、評論及內容、信息時間距離等數據資料，主要包含如下變量：YID（用戶ID）、WID（微博ID）、ZF（是否轉發）、PL（是否評論）、ZS（轉發時間）、PS（評論時間）、SJ（信息時間距離）、PN（評論內容）、ZN（轉發內容）、KS（情感擴散系數）、JL（差序級聯系數）、PC（輿論偏差系數）。

表1 突發事件樣本分布特征

4 模型構建

向量自回歸模型（vector autoregression，VAR）是用于對多維時間序列中的一變量對另一變量動態影響分析的一種時滯性方法，是以每個變量的滯后項作為其他變量函數的自變量來建立模型，從而實現對變量間的相互擾動分析。在進行VAR模型構建前，需要進行Granger因果關系和穩定性的檢驗，以確定一組時間序列是否為另一組時間序列的原因，以及VAR模型在參數及結構設定上的正確性。

4.1 因果關系檢驗

對模型中的變量結構進行識別和檢驗，分析輿論偏差、情感擴散和信息差序級聯之間是否存在顯著性Granger因果關系，以確定VAR模型結構設定是否合理。對應的Granger因果檢驗結果如表2所示。

表2 Granger因果關系檢驗

由表2可見，在輿論偏差、情感擴散和信息差序級聯的因果關系排除檢驗中，各變量及兩兩變量聯合項的χ2檢驗對應的p值均小于0.05的顯著水平，這表明可以拒絕不存在因果關系的原假設，即輿論偏差、情感擴散和信息差序級聯間存在Grang‐er關系。因此，在VAR模型構建中將輿論偏差、情感擴散和信息差序級聯作為內生變量的變量設置合理有效。

4.2 VAR模型構建

在Granger因果關系檢驗的基礎上，為了進一步了解信息差序級聯、情感擴散和輿論偏差之間影響的滯后時間長度，需對VAR模型進行統計分析和時滯長度判斷。對應的統計結果如表3所示。

表3 時滯長度選擇標準

根據LR（likelihood ratio）檢驗，以及FPE、AIC、SC、HQ信息準則最小化的標準，由表3可知，VAR模型的最佳時間滯后長度為2期。在上述因果關系檢驗和時滯特征分析基礎上，對VAR模型進行設定和估計。其對應的模型形式為

其中，opinion為輿論偏差；emotion為情感擴散；infocascade為信息差序級聯；k為內生變量滯后階數；εi為隨機誤差項。

為了確定VAR模型構建和設定的正確性，需對構建的模型進行穩定性檢驗。該模型的單根穩定性檢驗結果顯示，代表AR特征根倒數的模的點均落在單位圓內，這表明所構建的模型均滿足穩定性條件，說明所設置的模型均正確，不需要重新構建。

以內生變量滯后2階建構VAR模型，并對其進行模型估計，其結果如表4所示。

表4 VAR模型參數估計結果

由表4可知，VAR模型的3個方程中，各項系數顯著性檢驗的|t|值均大于0.05顯著水平對應的臨界值1.96。同時，可決系數R2值均大于0.90，這表明所構建的VAR模型與樣本數據擬合度良好，該估計結果可用于情感擴散、信息差序級聯和輿論偏差之間動態影響的相關分析。

5 脈沖響應和波動分解

脈沖響應函數（impulse response function，IRF）是用來分析VAR模型的一種方法，也是VAR模型的重要組成部分，可分析VAR模型中各變量間受到外界沖擊時，其他內生變量對該沖擊所作出的響應情況，包括響應的大小、響應滯后長度、響應的動態過程等內容。

5.1 脈沖響應分析

為了揭示情感擴散、信息差序級聯和輿論偏差之間的動態擾動特征，在VAR模型估計基礎上，分別對情感擴散、信息差序級聯和輿論偏差進行脈沖響應分析。此處采用殘差協方差矩陣的Cholesky因子的逆來正交化進行估計，其函數形式為

其中，q=0,1,2,…；t=1,2,…,T；σvariable,jj=

由圖1可知，在第一行脈沖圖中，當情感擴散、信息差序級聯與輿論偏差受到一個正向沖擊時，該沖擊迅速傳導至輿論偏差，在三至四期后其響應值達到最大，且均為正值。情感擴散、信息差序級聯和輿論偏差每次沖擊帶來的影響，在滯后第二期至第六期之間的影響效應較大，其后呈逐漸減弱趨勢。在第二行脈沖圖中，當情感擴散、信息差序級聯和輿論偏差受到一個正向沖擊時，信息差序級聯和輿論偏差對情感擴散在滯后第二期及第十期內的影響效應較大，其后呈快速減弱。在第三行脈沖圖中，當情感擴散、信息差序級聯和輿論偏差受到一個正向沖擊時，情感擴散的沖擊和信息差序級聯的自相關影響迅速對信息差序級聯產生正向影響，且影響效應均較大。信息差序級聯自相關滯后效應在滯后八期內的影響較大，其后快速減弱，并趨于零值。

圖1 脈沖響應分析

5.2 波動貢獻率分解

方差分解（variance decomposition）作為VAR模型中的重要組成部分，是用于分析VAR模型中某些相關內生變量的結構性沖擊對特定內生變量變化貢獻率的一種有效方法。為了比較情感擴散、信息差序級聯和輿論偏差相互擾動效應的大小，從而識別出不同影響因素對情感擴散、信息差序級聯和輿論偏差影響的重要程度，需在上述各影響因素動態擾動特征分析的基礎上，分別對各因素的波動貢獻率進行方差分解。情感擴散、信息差序級聯和輿論偏差對應的相對方差貢獻率（relative variance con‐tribution，RVC）算式為

由圖2可知，在輿論偏差方差分解中，在前四期輿情偏差自相關的影響較大且快速下降，情感擴散和信息差序級聯的影響相對較小且快速上升，各變量影響大小于滯后四期后均趨向平穩。情感擴散貢獻率約為55%，信息差序級聯貢獻率約為38%，而輿論偏差自相關影響效應約為7%。在信息差序級聯方差分解中，在前六期信息差序級聯自相關的影響較大且快速下降，情感擴散和輿論偏差的影響相對較小且快速上升，各變量影響大小于滯后六期后均趨向平穩。情感擴散的貢獻率約為62%，輿論偏差的貢獻率約為22%，而信息差序級聯自相關影響效應約為16%。在情感擴散方差分解中，在前五期情感擴散自相關的影響較大且快速下降，輿論偏差和信息差序級聯的影響相對較小且快速上升，各變量影響大小于滯后五期后均趨向平穩。信息差序級聯的貢獻率約為53%，情感擴散自相關影響效應的貢獻率約為28%，而輿論偏差約為19%。

6 影響力及群組分析

6.1 邊際影響力

狀態空間模型（state space model，SSM）是一類動態時域模型，是用于分析系統中各自變量每一單位數值對因變量影響效應的大小，即在某一時間內自變量對因變量產生的邊際影響力的動態變化的過程，在數據分析層面和維度上則是對VAR模型的深化和補充，可實現變量間影響效應的單位性分解。在上述脈沖波動分析基礎上，為了進一步了解情感擴散、信息差序級聯和輿論偏差之間的邊際影響力，使用狀態空間模型對各變量之間邊際影響力的變化過程進行分析，揭示情感擴散、信息差序級聯和輿論偏差之間影響效應的波動過程特征。其對應的模型形式為

其中，測量方程中的解釋變量為經協整檢驗后處于長期均衡關系的滯后第i階的影響因子；ui1t為滿足均值E(ui1t)=0和協方差矩陣var(ui1t)=Hi1t的連續不相關擾動項；εijt為滿足均值E(εijt)=0和協方差矩陣var(εijt)=Hijt的連續不相關擾動項。其狀態空間模型分析結果如圖3～圖5所示。

圖2 方差分解分析

圖3 輿論偏差邊際影響分析

圖4 信息差序級聯邊際影響分析

圖5 情感擴散邊際影響分析

圖3結果顯示，情感擴散對輿論偏差系數的邊際影響力在事件發生的第一天約為0.3，當波動上升至第六期，邊際影響力達到最大值約0.71，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續緩慢下降并趨向于零值。信息差序級聯對輿論偏差系數的邊際影響力在事件發生的第一天約為0.17，當波動上升至第六期邊際影響力達到最大值約0.38，隨后緩慢下降至第十五期邊際影響力為0.1，接著持續緩慢下降并趨向于零值。

圖4結果顯示，情感擴散對信息差序級聯系數的邊際影響力在事件發生的第一天約為0.28，當波動上升至第七期邊際影響力達到最大值約0.57，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續緩慢下降并趨向于零值。輿論偏差對信息差序級聯系數的邊際影響力在事件發生的第一天約為0.26，當波動上升至第三期邊際影響力達到最大值約0.48，隨后緩慢下降至第十四期邊際影響力為0.1，接著持續緩慢下降并趨向于零值。

圖5結果顯示，輿論偏差對情感級聯系數的邊際影響力在事件發生的第一天約為0.13，當快速上升到第二期至第六期邊際影響力達到最大值約0.49，隨后緩慢下降至第十三期邊際影響力為0.1，接著持續緩慢下降并趨向于零值。信息差序級聯對情感擴散系數的邊際影響力在事件發生的第一天約為0.4，當波動上升至第六期邊際影響力達到最大值約0.6，隨后緩慢下降至第十四期邊際影響力為0.2，接著持續緩慢下降并趨向于零值。

6.2 群組分析

前文已對情感擴散、信息差序級聯和輿論偏差間的脈沖響應與邊際影響力進行分析，該分析主要從整體上探索各變量間的動態影響。然而，由于各類用戶群體在社會角色與認知心理上的差異，導致不同性別、年齡和學歷的群體在情感擴散、信息差序級聯及輿論偏差之間的影響效應上存在差異。而面板數據模型分析作為時間序列與截面混合的數據分析方法，可進行時間維度差異及截面維度差異的詳細分析，在數據分析維度上與VAR模型和SSM模型相互補充、相互深化，通過與VAR和SSM模型相結合對數據分析，可實現對數據在時間和截面維度上的全方位分析與比較。因此，為了探索不同用戶群體間的差異性，采用面板數據模型對數據進行擬合和分析，對應模型為

統計值，并查閱F分布表，結果如表4所示。在opinion方程中，F2>F2臨界值，且F1

使用Eviews 10.0計量軟件對模型進行擬合，其擬合結果如表5所示。

從表5中的縱向結果數據來看，根據各變量系數大小，對于輿論偏差方程，情感擴散變量的系數β1值呈現出大于信息差序級聯變量對應的系數γ1值。對于信息差序級聯方程，情感擴散變量的系數β2值呈現出大于輿論偏差變量對應的系數γ2值。對于情感擴散方程，信息差序級聯變量的系數β3值呈現出大于輿論偏差變量對應的系數γ3值。

從表5中的橫向結果數據來看，對于輿論偏差方程，根據各變量系數大小，通過比較情感擴散變量的系數β1值及信息差序級聯變量系數γ1值，結果顯示：對于β1值及γ1值，在性別群組上，女性大于男性；在年齡群組上，29歲及以下群組最大，30～49歲群組較大，50歲及以上群組最??；在學歷群組上，小學及以下群組最大，中學群組較大，大學及以上群組最小。

對于信息差序級聯方程，對于情感擴散變量系數β2值，結果顯示：在性別群組上，女性大于男性；在年齡群組上，29歲及以下群組最大，30～49歲群組較大，50歲及以上群組最??；在學歷群組上，小學及以下群組最大，中學群組較大，大學及以上群組最小。但對于輿論偏差變量系數γ2值，在性別群組上，男性大于女性；在年齡群組上，50歲及以上群組最大，30～49歲群組較大，29歲及以下群組最??；在學歷群組上，小學及以下群組最大，中學群組較大，大學及以上群組最小。

表5 群組面板模型擬合結果

為了保障群組差異分析結果的有效性，在上述群組分析基礎上，需對各對應系數在不同群組間的差異性進行檢驗。其檢驗結果如表6所示。

表6 系數差異性檢驗

表6的系數差異性檢驗結果顯示，輿論偏差、信息差序級聯和情感擴散各方程在性別、年齡及學歷群組上各對應系數的F檢驗結果在0.05水平下均顯著，則拒絕“各組內相應系數相等”的原假設，表明輿論偏差、信息差序級聯和情感擴散方程在性別、年齡及學歷群組內各系數值不相等，即在群組內部的不同群體間存在顯著性差異，表明上述相關群組分析結果有效。

7 穩健性分析

本文從替換估計方法方面考慮模型估計結果的穩健性，在VAR模型脈沖響應分析時，前文采用了殘差協方差矩陣的Cholesky因子的逆來正交化脈沖，該方法是通過給VAR模型的變量強加一個次序，并將所有影響變量的公共因素歸結于VAR模型中第一次出現的變量上。現采用廣義脈沖方法，即構建一個不依賴于VAR模型中變量次序的正交化的殘差矩陣。在進行區域差異性分析時，采用工具變量的二階段最小二乘法替代上述采用的最小二乘法對面板模型進行估計。

在狀態空間模型中，其算法包括“Marquardt”和“BHHH（Brendt-Hall-Hall-Hausman）”估計方法。前文采用Marquardt進行估計，可以提供數值非線性最小化解決方案。該算法通過改變在執行過程中的參數，兼顧了Gauss-Newton和梯度下降法的優勢，并改善了兩者的缺點，如Gauss-Newton法的逆矩陣不存在或初始值與局部最小值相差太遠?，F采用BHHH算法，使用從上次迭代獲得的參數擬合值來運算多元變量模型的殘差項的方差與協方差矩陣，并運算新的搜索方向，以確定是否滿足收斂的約束要求。若滿足終止條件，則可獲得參數的最佳估計；反之，則重新探尋步長λ和新的參數值β，并進行重新計算，以獲得收斂的最佳算法。

采用上述替代方法進行模型擬合，考查模型擬合后各指標的顯著性和各參數對應的擬合值，通過對比分析發現，采用替代方法估計后的各模型參數值在邏輯關系和邏輯結構上與初始所采用的指標建構的模型分析結果一致，表明上述建構的理論模型及分析結果具有良好的穩健性。

8 結論與啟示

通過2015—2020年發生的具有代表性的11個突發事件面板大數據，探索了情感擴散、信息差序級聯和輿論偏差之間動態影響，得出如下研究結論。

（1）當情感擴散、信息差序級聯和輿論偏差受到一個正向沖擊時，該沖擊迅速傳導至輿論偏差，輿論偏差的自相關滯后影響效應最大，情感擴散和信息差序級聯對輿論偏差的沖擊影響效應也較大，且情感擴散的影響大于信息差序級聯的影響。情感擴散的自相關滯后效應和信息差序級聯的沖擊對情感擴散迅速產生影響，情感擴散的自相關滯后效應尤為明顯。情感擴散的自相關滯后影響效應持續的時間較長，在事件輿論的整個演化過程中，其影響效應均較大。來自情感擴散和信息差序級聯自相關效應的沖擊會迅速對信息差序級聯產生正向影響，且影響效應均較大，而輿論偏差沖擊對信息差序級聯的影響相對較弱，沖擊效應不明顯。其中，情感擴散沖擊的影響尤為明顯，且伴隨著整個輿論演化過程。

關于信息差序級聯對輿論偏差的影響，信息差序級聯，發生于互聯網時，在根據他人行為所提供的信息進行推斷后，則認為他人行為釋放的信息比自身以其他方式獲取的信息覺得更可信和合理，進而選擇從眾性地加入該類群體行為。針對網絡信息差序級聯，其效應主要是人們易于忽略自身所獲得信息的合理性，傾向于根據前人行為的推斷而以此做出決策[32]。網絡突發事件中，人們進行信息傳播時，信息接收者通常難以直接觀察到他人知道的外部信息，但可以從他人所做的事情中推斷該類信息。僅通過對他人行為信息的推斷而形成對事物的認知、判斷和決策，易于受到事物表象的誤導，從而產生認知偏差[33]。

關于情感擴散對信息差序級聯和輿論偏差的影響，ELM（elaboration likelihood model）模型指出，人們態度的變化會受到信息論點的質量、外圍線索及詳盡可能性的影響，并將人們對信息的加工過程劃分為中心路徑和邊緣路徑。在邊緣路徑中，用戶被說服程度與信息刺激中包含的正面或負面暗示線索相關聯；在信息加工過程中，個人是對其所主張的立場信號進行簡單推斷[34]，邊緣路徑加工則易于產生認知偏差。有限理性理論指出，大多數人只是部分理性，在這些人的其余行為中是非理性的，人們在制定和解決復雜問題以及處理信息方面（接收、存儲、檢索、傳輸）會受到多種因素限制。通常在個人做出決策時，其理性會受到決策問題的易處理性、思維的認知局限性和需做出決策的時間壓力的限制和影響，從而行為主體尋求的是滿意的決策，而非最佳解決方案[35]。其中，情感強度是人們認知中非理性差異的重要影響因素。因此，突發事件中，在有限理性作用下，人們的情感和情緒則促進了人們采用邊緣路徑對信息進行加工，從而對事物認知易于產生信息級聯行為及偏差現象。

（2）情感擴散與信息差序級聯對輿論偏差的邊際影響力變化呈倒U形拋物線特征，在事件輿情的演化過程中，情感擴散對輿論偏差的邊際影響效應顯著大于信息差序級聯的影響。情感擴散與輿論偏差對信息差序級聯的邊際影響力變化呈右偏分布拋物線特征，在事件輿情的演化過程中，情感擴散對信息差序級聯的邊際影響效應大于輿論偏差的影響。信息差序級聯與輿論偏差對情感擴散的邊際影響力變化呈右偏分布的拋物線特征，在事件輿情的演化過程中，信息差序級聯對情感擴散的邊際影響效應大于輿論偏差的影響。

關于情感擴散、信息差序級聯和輿論偏差間的邊際影響力均呈現拋物線特征，即當邊際影響力達到一定數值后，呈遞減特征。經濟學的效應理論指出，事物給人們帶來的效用是個體對事物消費行為的一種心理感受，消費某種物品可為主體帶來一種心理刺激，使其獲得某方面的滿足感或能帶來某種積極反應。邊際效用遞減規律強調，在消費初期，主體體驗到的刺激較大，從而產生的滿足感較強，并隨著同一事物刺激的不斷增加，個體在心理上的興奮程度和滿足感會隨之逐漸增加，即隨著消費數量的增加，其效用不斷升高。但當該消費達到某一臨界點時，隨著消費數量的增加，其新增加的消費部分所帶來的效用增長則呈逐漸減少趨勢[36]。因此，在網絡用戶對突發事件信息的消費（即獲取、認知及分享等行為）過程中，隨著時間的推移，當該消費增長到某臨界點時，其邊際效用達到最大值；其后隨著對信息消費的持續增加，用戶獲得的邊際效用則會逐漸減小，即呈現倒U形拋物線特征。

（3）在整個輿論演化過程中，情感擴散對輿論偏差波動的貢獻率最大，信息差序級聯對輿論偏差波動的貢獻率較大，而輿論偏差自相關影響效應最小。情感擴散對信息差序級聯波動的貢獻率最大，輿論偏差對信息差序級聯波動的貢獻率較大，而信息差序級聯自相關影響效應最小。信息差序級聯對情感擴散波動的貢獻率最大，情感擴散自相關影響效應對情感擴散波動的貢獻率較大，而輿論偏差對情感擴散的影響效應最小。在影響因素貢獻率分解中，情感擴散對輿論偏差波動的貢獻率大于信息差序級聯的貢獻率，情感擴散對信息差序級聯波動的貢獻率大于輿論偏差的貢獻率，信息差序級聯對情感擴散波動的貢獻率大于輿論偏差的貢獻率。情感擴散、信息差序級聯和輿論偏差之間的相互影響效應在不同人口統計學群體間存在差異。

該研究結論對突發事件網絡輿情治理具有啟示意義：首先，在輿情治理和輿論偏差糾正過程中，應重點加強用戶情感引導和情緒疏通的工作，尤其是在突發事件發生的初期，這是情緒引導和情感擴散控制的最佳時間。同時，降低因群體性集聚而引起的從眾性信息差序級聯，以及因客觀信息披露不及時而導致的用戶心理對未知不確定性而產生認知失調，引起小道消息的信息差序級聯。通過情感疏導和信息差序級聯管控，及時搶占網絡輿論方向形成的主動權，降低輿論偏差的形成和放大。其次，通過對情感擴散的管控，既能降低輿論的偏差，也能減少信息差序級聯形成的概率。通過對信息差序級聯的管控，既能降低輿論的偏差，也能減小用戶因情緒擴散而引起情感極化的風險。通過同時對突發事件中情感疏導和信息差序級聯的管控，可較好的實現弱化情感傳播、減少信息差序級聯和降低輿論偏差三者間的良性循環，實現關鍵影響因素的源頭性協同治理，大幅降低輿論偏差和輿情失控發生的風險和概率。最后，在輿情治理過程中，對輿情治理可采取受眾細分策略，根據不同用戶群體類型有針對性地采用不同的監控和管理措施。在進行情感引導、信息差序級聯防控和輿論偏差監控過程中，在性別方面，加強對女性用戶群體的重點監控，其次為男性群體；在年齡層面，重點加強對29歲及以下用戶群體的引導和監管，其次為30～49歲的用戶群體，最后為50歲及以上群體。