突發事件網絡輿情傳播動力學模型綜述

蘇妍嫄 張金純 張亞明*

(1.燕山大學經濟管理學院，河北 秦皇島 066004；2.燕山大學互聯網+與產業發展研究中心，河北 秦皇島 066004)

智能化時代，互聯網高開放度和強互動性使公眾獲得了較大知情權與話語權，也促使網絡輿情成為現實社會的晴雨表。特別是21世紀以來，諸如5·12汶川地震、7·23甬溫線特別重大鐵路交通事故、新冠肺炎疫情、河南特大暴雨等突發事件頻繁發生，使得處在恐慌、焦慮狀態的網民往往借助社會網絡平臺表達情感態度，更有一些網民還把網絡平臺當作泄憤渠道，致使大量真假輿情信息瞬間涌現并幾何裂變，形成群體極化現象，甚至引發次生輿情與線下群體性事件，對社會和諧穩定造成嚴重威脅[1-2]。黨的十九屆四中全會明確指出，要完善輿論監督制度，健全重大輿情和突發事件輿論引導機制。因此，深入研究突發事件網絡輿情傳播復雜問題，梳理當前主要研究成果并展望未來研究方向，對推動突發事件網絡輿情傳播理論研究，揭示網絡輿情傳播規律，有效應對突發事件下的“炎癥風暴”，進而維護國家安全與社會穩定具有重要意義。

1 突發事件網絡輿情傳播研究總體脈絡與綜述思路

突發事件網絡輿情傳播系統規模巨大，結構復雜，且跨越時空界限動態演變。為從宏觀層面剖析突發事件網絡輿情傳播全局研究進展，本文對國內外相關研究文獻進行梳理，通過可視化分析直觀解讀當前研究熱點，進而為從微觀層面深入剖析突發事件網絡輿情傳播研究進展奠定基礎。

1.1 突發事件網絡輿情傳播研究總體趨勢分析

本節以“SU%(網絡輿情+網絡輿論)*(事件+危機)*傳播”為檢索式對CNKI數據庫進行檢索，來源類別設定為中文核心期刊要目總覽、CSSCI、CSCD，截止年份設定為2021年，剔除書評、序等不相關文獻，共得到1 471篇中文文獻。同時，以“TS=(opinion AND (dissemination*OR diffusion*OR transmission*OR propagation*OR spreading*) AND (crisis*OR emergency*OR event*OR epidemic*OR disaster*OR disease*))”為檢索式對Web of Science核心合集SCIE、SSCI數據庫進行檢索，截止年份設定為2021年，共得到1 504篇外文文獻。

基于上述檢索文獻，繪制突發事件網絡輿情傳播研究趨勢圖，如圖1所示。可以發現，隨著信息技術飛速發展與智能化時代到來，輿論生態和政治生態發生深刻變革，突發事件網絡輿情傳播相關研究已引起學者廣泛關注，國內外相關發文量呈現總體上升趨勢。其中，2004—2007年國內外相關研究進展緩慢，處于初期探索醞釀階段。2007—2018年相關研究逐漸深入拓展，國內外文獻發文量也逐漸增多，總體呈逐年上升趨勢。2018—2021年，隨著新冠肺炎疫情突發事件在全球蔓延，國外文獻研究呈現明顯上升態勢，進入快速增長階段，而國內文獻研究基本維持長期以來的較高發文量，總體保持相對穩定發展。

圖1 突發事件網絡輿情傳播研究趨勢

1.2 突發事件網絡輿情傳播研究熱點圖譜分析

縱觀上述檢索文獻，學者普遍將突發事件網絡輿情傳播系統視為復雜輿論生態系統，并將個體抽象為節點，將個體之間的關系抽象為邊，進而基于復雜網絡理論構建多元動力學模型，以期探索突發事件網絡輿情傳播系統內部復雜相互作用過程。為進一步直觀展示突發事件網絡輿情傳播研究熱點，借助Cite Space軟件進行可視化分析，如圖2、圖3所示，繪制突發事件網絡輿情傳播研究關鍵詞共現圖譜與關鍵詞時區圖譜。

觀察圖2、圖3可以發現，國內外學者已圍繞輿論生態系統信息主體因子、信息環境因子、輿情信息因子、信息流動因子等要素，對突發事件網絡輿情傳播問題開展了系列研究。第一，信息主體因子，主要指在社會網絡平臺等網絡空間圍繞突發事件表達觀點意見的個體或群體。目前，一些學者已圍繞突發事件網絡輿情“傳播特征”“傳播特點”“傳播模式”等主題開展了多項研究工作，以期探究輿情信息傳播主體行為特征。第二，信息環境因子，主要指對突發事件網絡輿情傳播演化過程產生直接或間接作用的影響因素。如今，國內外學者已從“新媒體”“主流媒體”“自媒體”“政府”“意見領袖”“突發事件”“群體事件”等不同角度構建了指標體系，進而對突發事件網絡輿情傳播影響因素進行研究。第三，輿情信息因子，主要指突發事件下網絡空間生成涌現的觀點態度。圖2、圖3顯示，已有學者對“輿情演化”“主題分析”“輿情分析”“形成機制”“信息交互”等開展了深入研究，并探索了突發事件網絡輿情生成涌現和觀點演化問題。第四，信息流動因子，主要指基于生態系統內在傳播機制進行輿情信息傳遞的流動過程。一些學者通過圍繞“輿情傳播”“微博傳播”“傳播模型”“傳播機制”等開展研究，剖析了突發事件網絡輿情傳播的內在機理與傳播規律。

圖2 突發事件網絡輿情傳播國內外文獻關鍵詞共現圖譜

圖3 突發事件網絡輿情傳播國內外文獻關鍵詞時區圖譜

1.3 突發事件網絡輿情傳播研究綜述思路

根據上述分析可知，立足復雜動力學建模與輿論生態系統理論，挖掘網絡輿情傳播規律，是研究突發事件網絡空間輿論生態系統動力機制的關鍵。為此，如圖4所示，繪制突發事件網絡輿情傳播系統結構圖，圍繞輿論生態系統各要素，分別從突發事件網絡輿情傳播主體行為特征、影響因素、觀點生成涌現、傳播擴散機制4個方面進行綜述。首先針對信息主體因子，分析突發事件網絡輿情傳播主體行為特征及內在機理，揭示突發事件網絡輿情傳播行為統計規律；其次，針對信息環境因子，分析突發事件網絡輿情傳播演化內部、外部影響因素，解析復雜系統因果關系；第三，針對輿情信息因子，分析網絡輿情生成涌現過程，剖析社會交互網絡與個體認知偏差影響下的異質觀點演化機理；最后，基于信息流動因子，探究傳播動力學模型構建方法，從信息、環境、主體三維度揭示網絡輿情傳播規律。通過梳理相關研究成果，對未來研究方向進行展望，以期推動突發事件網絡輿情傳播理論發展。

2 突發事件網絡輿情傳播行為動力學分析

基于輿論生態系統信息主體因子視角，探索高度復雜的人類行為，分析用戶行為模式和規律，是突發事件網絡輿情傳播研究的核心議題[3-4]。人類行為動力學基于客觀數據探索行為統計特征規律，并據此構建動力學模型模擬預測人類行為，為分析突發事件網絡輿情傳播行為提供了新的研究范式。本節著重從人類行為動力學視角，梳理國內外相關文獻，進行可視化分析，進而據此對突發事件社會網絡用戶行為特征進行探討，并對內在機理進行分析，以期揭示出突發事件網絡輿情傳播行為統計規律。

2.1 突發事件網絡輿情傳播行為動力學研究圖譜分析

本節以“FT=(人類動力學+人類行為動力學) AND FT=(事件+危機)”為檢索式對CNKI數據庫進行檢索，來源類別設定為核心期刊、CSSCI、CSCD，截止年份設定為2021年，剔除期刊索引等與本文內容不相關文獻，共得到184篇中文文獻。同時，以“TS=(“human dynamic*” AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”為檢索式對Web of Science核心合集SCIE、SSCI數據庫進行檢索，截止年份設定為2021年，共得到129篇外文文獻。

由圖5可知，突發事件網絡輿情傳播行為動力學研究發文量呈現總體上升趨勢。其中，國外文獻關于人類行為動力學方面的研究起步較早，但前期(2005—2007年)發展緩慢，處于醞釀階段，2007—2009年研究進入增長階段，發文量逐漸增多，隨后平穩發展并呈總體上升趨勢。相比之下，國內文獻相關研究起步稍晚，但總體發展態勢迅猛，尤其伴隨騰訊QQ、微博、微信等社會網絡平臺的興起與移動智能終端的普及，2008—2013年國內文獻相關研究迅速增多且進入快速增長階段，隨后總體趨于穩定。值得注意的是，近年來隨著新冠肺炎疫情全球肆虐，國內外文獻有關突發事件網絡輿情傳播人類行為動力學的研究再次呈現逐年遞增趨勢。

圖5 突發事件網絡輿情傳播行為動力學研究趨勢

進一步地，為更清晰論述突發事件網絡輿情傳播行為動力學研究進展，運用Cite Space軟件對國內外檢索文獻進行主題可視化分析。如圖6、圖7所示，展現了國內外檢索文獻關鍵詞共現圖譜與關鍵詞時區圖譜。從圖中可以看出，10余年來國內外學者主要圍繞兩條主線開展突發事件網絡輿情傳播行為動力學研究。一方面，一些學者側重對用戶行為時間間隔冪律分布、重尾分布等統計特征進行研究；另一方面，一些學者側重圍繞度分布、關系強度等復雜網絡拓撲結構，以及社會網絡用戶偏好對人類非泊松行為動力學機制進行探索。

圖6 突發事件網絡輿情傳播行為動力學國內外文獻關鍵詞共現圖譜

圖7 突發事件網絡輿情傳播行為動力學國內外文獻關鍵詞時區圖譜

2.2 網絡用戶傳播行為冪律分布統計特征挖掘

分析連續行為時間間隔分布，抽取突發事件網絡輿情發布、評論和轉發行為特征，是探究社會網絡用戶傳播行為的重要途徑。2005年，Barabási A L統計分析發現了人類收發電子郵件和書信的時間間隔具有非泊松分布特征，開創了“人類動力學”研究新方向[5]。隨后，學者關于移動通訊、網頁瀏覽、在線點播等行為的時間間隔統計分析，也發現了類似的冪律分布規律[6]。例如，學者針對手機用戶發送短信的統計結果表明，不論是個體層面[7]還是群體層面[8]，發送短信的時間間隔分布都服從冪律分布，并且連續兩次對話之間的間隔時間和對話長度也服從冪律分布。趙庚升等對用戶網頁瀏覽行為的時間間隔進行統計分析，發現無論個體還是群體，瀏覽網頁的時間間隔分布都服從冪律分布，且冪指數介于2～3之間[9]。Wu Y等通過對短信網絡進行實證研究，提出了“頭部冪律、尾部指數”的雙模分布[10]。樊超等歸納總結出通信、商業交易、在線點播等活動的時間統計特性均服從冪律分布，冪指數在1～3之間[11]。

近年來，隨著微博、論壇、在線社區等的興起與發展，如圖7關鍵詞時區圖譜所示，學者進一步聚焦各社會網絡平臺，通過實證分析網絡輿情傳播行為。Yan Q等分析了12萬條微博信息發布、評論和轉發數據，發現信息發布和評論之間的間隔服從冪律分布[12]。Song Y等通過實證分析得出，突發事件下人類在博客和微博上的時間間隔分別服從α=1.3和α=2.0的冪律分布[13]。劉飛等以“昆山反殺案”為例，分析了新浪微博表情符號使用情況，發現表情符號使用頻率具有長尾特征[14]。Wang P等對突發事件等情境下用戶論壇發帖行為進行分析，發現同一用戶發帖時間間隔呈現多尺度特征，在分、小時和天時間尺度上服從不同指數的冪律分布[15]。Kan A等研究了用戶在突發事件等情境下Boards.ie 9個論壇中的行為數據，指出用戶發帖行為的時間間隔服從指數為1.7的冪律分布[16]。易明等從時間間隔、陣發性、記憶性、波動性、有序性等維度，分析了天涯社區個體和群體發帖、回帖行為時間間隔的冪律分布特征[17]。郭博等以知乎為例，探索了問答社區網絡用戶訪問行為的冪律分布規律[18]。沈洪洲等對知乎問答社區優秀回答者的行為進行分析，發現其回答問題的時間間隔分布具有胖尾特征[19]。

2.3 突發事件下輿情傳播非泊松行為動力學機制

上述用戶傳播行為的冪律分布特性為研究突發事件網絡輿情傳播問題開拓了全新視野，而如何有效解釋這一現象則成為另一個緊密相關的重要問題。為此，學者分別從復雜社會關系網絡拓撲結構、人類選擇偏好雙重視角對此問題進行了闡釋。

2.3.1 基于復雜社會關系網絡的傳播行為動力學機制

一些學者以具體社會網絡平臺為例，分析了復雜社會關系網絡拓撲結構對運行其上的輿情傳播行為的影響。Jin M等研究發現，Twitter平臺上輿情傳播主要受“關注人—粉絲”網絡拓撲結構的影響，輿情信息呈級聯式擴散且以指數衰減[20]。Lerman K等對Digg、Twitter等平臺網絡輿情傳播特點進行分析，發現輿情傳播速度、最終擴散規模均與網絡連通性密切相關[21]。Yan Q等研究發現，突發事件等情境下用戶發布微博的行為與用戶所處的網絡結構相關，并據此提出了一種基于用戶交互程度和社會網絡關系結構的微博發布行為模型，很好地解釋了不同用戶發布微博數的規律變化現象[22]。

進一步地，由圖6、圖7可知，學者還深入研究了網絡度分布、關系強度等具體拓撲屬性對輿情傳播的影響[23]。Isham V等研究發現，度相關性即一條邊連接的兩個節點度值之間的相關性，對傳播速度和擴散規模具有較大影響[24]。Park P S等研究指出，網絡節點間的弱關系具有橋效應，對輿情信息擴散具有重要影響[25]。Cheng J J等不僅證實了關系強度在網絡輿情等信息傳播過程中的關鍵作用，同時還發現，優先選擇弱關系無法使網絡輿情等信息傳播得更快更廣，但若移除這些弱關系，傳播效率會受到顯著影響[26]。此外，在具體測算方面，不少研究還關注在線社會網絡輿情傳播路徑長度等問題，通過構建最短路徑模型來對傳播范圍近似求解。

2.3.2 基于人類選擇偏好的傳播行為動力學機制

融合人類行為選擇偏好，構建排隊論等模型是探索突發事件網絡輿情傳播行為冪律分布特征內在機理的另一類主流方法。Barabási A L提出的基于優先選擇機制的任務隊列模型，為理解社會網絡用戶傳播行為時間間隔胖尾分布提供了重要理論參考[5]。Zanette D H構建的存在等待時間的SIR模型[27]以及周濤等提出的Related-clock方法[28]，也分別從時間和行為異質性的角度研究了在線社會網絡輿情傳播機制。Vázquez A等對電子郵件用戶數據集進行統計分析，討論了兩個排隊模型，第一個模型假設個體任務數量沒有限制，預測個體等待時間服從指數為α=3/2的重尾分布，第二個模型對隊列長度施加限制，結果得到α=1[29]。吳聯仁等基于用戶行為時間異質性建立動力學模型，通過異質時間間隔序列對網絡輿情傳播過程進行仿真[30]。Xiao Y等指出，用戶行為主要由社會環境、用戶交互程度、用戶參與程度和用戶關注關系4個因素共同決定，并據此提出了一種用戶個體關注焦點和用戶交互行為的混合模型[31]。Yan Q等還通過研究突發事件等情境下的微博用戶行為特征，發現用戶發布微博時間間隔受到用戶關注焦點自然衰減規律的影響，同時用戶關注焦點變化也會受到交互行為的影響，頻繁的交互行為會減緩用戶關注焦點的衰減程度，為此提出了基于用戶交互和用戶關注焦點共同影響的微博發布模型[32]。

3 突發事件網絡輿情傳播演化影響因素分析

突發事件網絡輿情傳播系統是一個以因果關系為基礎的復雜系統。為形象展示網絡輿情傳播演化機理，需基于輿論生態系統信息環境因子視角，對網絡輿情傳播演化影響因素進行有效細分，通過分析內部動態聯系，解析復雜系統因果關系，進而探究突發事件網絡輿情傳播演化影響因素[33]。

3.1 突發事件網絡輿情傳播演化影響因素研究圖譜分析

本節以“SU%(輿情+輿論+謠言+微博+微信)*(事件+危機)*影響因素”為檢索式對CNKI數據庫進行檢索，來源類別設定為中文核心期刊要目總覽、CSSCI、CSCD，截止年份設定為2021年，得到321篇與本主題相關中文文獻。同時，以“TS=(((influencing factor*) OR (influence factor*) OR (influential factor*) OR (affecting factor*)) AND (rumor OR“public opinion*” OR weibo OR wechat OR twitter) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”為檢索式對Web of Science核心合集SCIE、SSCI數據庫進行檢索，截止年份設定為2021年，共得到446篇外文文獻。

圖8展現了2004—2021年國內外文獻關于突發事件網絡輿情傳播演化影響因素研究的總體趨勢。從圖中可以發現，2004—2009年為該主題研究前期階段，此時相關研究成果較少且主要見于國外文獻。2009—2018年為該主題研究增長階段，這一期間國內外社會網絡平臺井噴式增長，且諸如海地地震、3·11日本地震、7·23甬溫線特別重大鐵路交通事故、8·12天津濱海新區爆炸事故等國內外突發事件相繼發生，公眾借助網絡平臺表達觀點態度的傾向逐漸增強，促使突發事件網絡輿情傳播演化影響因素研究熱度逐漸上升。2019年至今，隨著新冠肺炎重大疫情暴發與全球肆虐，網絡空間充斥著海量輿情信息，相關網絡輿情傳播演化影響因素迅速引起廣大學者關注，尤其國外文獻呈現爆發增長態勢。

進一步地，為更清晰展示國內外學者對突發事件網絡輿情傳播演化影響因素的研究進展，運用Cite Space軟件繪制國內外檢索文獻關鍵詞共現圖譜與關鍵詞時區圖譜，如圖9、圖10所示。從圖中可以看出，國內外學者已分別對突發事件網絡輿情傳播演化內部、外部雙重影響因素進行了深入研究。一方面，學者從公眾、政府、媒體、大學生、意見領袖等網絡輿情傳播演化主體維度對網絡輿情傳播演化內部影響因素進行了分析；另一方面，也有學者從突發事件、危機事件等維度探索了事件屬性對網絡輿情傳播演化的外部驅動影響。

3.2 基于網絡輿情傳播主體的影響因素分析

網民、媒體、政府是突發事件網絡輿情傳播系統的三大主體。研究網絡輿情傳播演化影響因素可立足系統主體，分不同子系統開展動力學分析。余樂安等基于系統動力學，分網民、網絡媒體、政府3個子系統深入分析了危化品水污染突發事件網絡輿情傳播演化規律[34]。Gao G等研究發現，網民大眾與意見領袖群體極化、媒體受眾數量、媒體報

圖10 突發事件網絡輿情傳播演化影響因素國內外文獻關鍵詞時區圖譜

道頻率、政府關注度、危機預警機制等因素對網絡輿情傳播具有重要影響[35]。曹武軍等將新冠肺炎疫情網絡輿情系統劃分為網民、網絡媒體、政府3個子系統，進而構建了系統動力學模型并進行仿真分析[36]。Xie T等基于系統動力學分析了突發事件等情境下，反應時間、反應能力以及政府透明度對公眾情緒的影響[37]。

3.3 突發事件驅動的影響因素分析

事件系統理論指出，事件強度、事件時間、事件空間等屬性對人類行為具有重要影響[38]。與其他事件不同，突發事件下公眾工作生活往往受到較大擾動，社會正常運轉也受到較大沖擊，因而往往被認為是網絡輿情擴散的導火索，因此還需引入事件相關因素進行分析。狄國強等通過構建系統動力學模型，定量刻畫了事件、網民、媒體、政府四因素對網絡輿情傳播演化的影響[39]。鐘慧玲等基于系統動力學構建了“鄰避”沖突突發事件網絡輿情演化模型，分析了事件易爆度、政府公信力、信息透明度、環境風險感知對網絡輿情熱度和當地公眾的影響[40]。李仕爭等運用系統動力學方法，分析了網民、事件、移動社交網絡和政府對輿情熱度的綜合影響[41]。閻海燕等分析了事件、網民、媒體、政府以及企業5個方面對網絡輿情傳播的影響，構建了企業危機事件網絡輿情傳播系統模型[42]。姜景等采用系統動力學方法探討了突發事件微博演化過程，并以“7·23”甬溫線特別重大鐵路交通事故為實例，分析了輿情熱度與其他變量之間的關系[43]。

4 網絡輿情生成涌現觀點動力學分析

網絡輿情生成涌現過程是異質觀點不斷演化并趨于一致的過程。基于輿論生態系統輿情信息因子視角，以觀點演化為切入點，構建動力學模型，是研究網絡輿情生成涌現過程的重要思路。有關觀點演化問題的研究可以追溯到1956年French提出的簡單離散數學模型，隨后學者分別從離散觀點、連續觀點兩大思路入手，基于不同規則對此展開深入探索。其中離散觀點典型代表有投票模型、Galam模型、Ising模型、Sznajd模型等；連續觀點典型代表有Degroot模型、Deffuant-Weisbuch模型、Hegselmann-Krause有界信任模型等。近年來，學者又進一步從不同維度對上述模型進行改進和拓展。

4.1 突發事件網絡輿情生成涌現觀點動力學研究圖譜分析

本節以“SU%(輿情+輿論+謠言+微博+微信+觀點+主題+話題)*(事件+危機)*演化”為檢索式對CNKI數據庫進行檢索，來源類別設定為核心期刊、CSSCI、CSCD，截止年份設定為2021年，剔除期刊索引等與本文內容不相關文獻，共得到543篇中文文獻。同時，以“TS=((“opinion dynamic*” OR “opinion evolution*”) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”為檢索式對Web of Science核心合集SCIE、SSCI數據庫進行檢索，截止年份設定為2021年，共得到152篇外文文獻。

圖11為突發事件網絡輿情生成涌現觀點動力學研究趨勢圖。從圖中可以發現，2005—2009年為研究前期階段，國內外期刊發文量普遍較少，相關研究處于初步探索階段，進展比較緩慢。2009—2015年隨著國內社會網絡用戶逐漸增多，突發事件下公眾通常借助網絡平臺發聲并產生觀點碰撞，使得網絡輿情生成涌現觀點演化問題逐漸成為國內學術界關注熱點，發文量逐年增多，國內文獻研究進入快速增長階段，并于2015—2019年進入總體平穩發展階段，幾乎每年保持50～60篇的發文量水平。2009—2019年國外文獻雖較前期階段有所增加，但發文量相較于國內仍然較少。2019年以來，受新冠肺炎疫情嚴重性、不確定性等驅動影響，國內外公眾聚焦網絡平臺發表觀點并展開討論，國內外文獻有關觀點動力學的研究再次呈現上升發展趨勢。

圖11 突發事件網絡輿情生成涌現觀點動力學研究趨勢

為更清晰體現學者對突發事件網絡輿情觀點演化模型的改進和拓展研究態勢，如圖12、圖13所示，運用Cite Space軟件分別繪制關鍵詞共現圖譜與關鍵詞時區圖譜，進行可視化分析。從圖中可以看出，近年來國內外學者通過構建觀點動力學模型圍繞網絡輿情主題演化、話題演化、演化機理、演化規律等進行了深入研究。例如，一些學者從復雜社會網絡關系結構入手，分析交互結構對網絡輿情觀點演化的影響。此外，還有一些學者基于用戶情感傾向、個體認知、主體博弈等視角對傳統觀點演化模型進行改進和拓展。

4.2 基于復雜社會網絡的觀點動力學分析

隨著社交媒體飛速發展，公眾社會關系網絡日益復雜，從圖12、圖13可以看出，一些學者結合現實場景考慮社會交互關系復雜性對輿情觀點演化模型進行改進。Shang L等基于Sznajd模型研究了耦合效應對相互依賴鏈系統觀點演化的影響[44]。Li L等基于Ising模型對符號網絡中二元觀點演化問題進行分析[45]。遲鈺雪等結合改進的有界信任機制構建超網絡線上線下輿情演化模型，提出了包括模型初始化模塊、信息傳播與交互影響模塊、雙空間同步模塊的仿真系統框架[46]。Zhou Q等對DeGroot模型進行改進，研究了個體與朋友的朋友二步交流互動下的觀點演化問題[47]。Wang C Q圍繞兩個對立社團的政治宣傳問題，在Deffuant-Weisbuch模型基礎上提出了一個具有雙邊宣傳和單邊信息封鎖的對立群體輿情觀點演化動力學模型[48]。Li H J等分析多層網絡觀點信念演化過程，考慮觀點信念在各層傳播速度的差異提出了多尺度建模框架，進而研究層間度關聯性對觀點信念演化的影響[49]。馬寧等分析了超網絡中各子網間異質Agent交互規則，建立了基于超網絡的多主體觀點演化模型[50]。

圖12 突發事件網絡輿情生成涌現觀點動力學國內外文獻關鍵詞共現圖譜

圖13 突發事件網絡輿情生成涌現觀點動力學國內外文獻關鍵詞時區圖譜

4.3 基于社會行為認知的觀點動力學分析

由于公眾成長閱歷、所處情境等不同，個性化時代公眾認知行為差異性等日益凸顯，從圖12、圖13可以發現，一些學者考慮個體異質性對傳統模型進行了拓展。Si X M等提出一個基于貝葉斯更新規則的CODA觀點演化動力學模型，分析情感態度對公眾觀點演變的影響[51]。黃傳超等基于Deffuant模型與CODA行為選擇機制，分析認知偏差與無界信任對個體觀點決策的影響，構建輿情反轉模型，并基于Agent方法模擬分析了不同情境下個體認知與態度的特征以及應對措施[52]。Wei J等考慮超級影響者及爭議信息對在線社會網絡輿情觀點演變的影響，對Deffuant-Weisbuch模型進行改進[53]。Lu A等對H-K有界信任模型進行改進，分析了個體異質性對群體意見演化過程的影響[54]。Jiao Y等針對有目的的交互行動，指出公眾觀點交互不以位置或社會關系為基礎被動地交流，而是受到自身內在動機的驅動影響，進而在CODA模型基礎上構建了主動觀點動力學模型[55]。Chen X等考慮網絡輿情觀點演化過程中場獨立與場依賴兩種認知風格組合作用影響，對H-K模型改進，分別用鄰居觀點和個體經驗代表場依賴認知和場獨立認知，提出了基于認知風格的網絡輿情演化模型[56]。Li K等建立了基于認知失調的觀點動力學模型，研究觀點認知失調影響下觀點更新與關系網絡更新機制[57]。朱侯等提出基于QSIM-ABS的觀點演化模型，剖析了信息和民眾情緒對觀點演化的作用機理[58]。劉泉等結合網絡節點多層影響力與節點自信程度構建觀點演化模型[59]。曹麗娜等從話題熱度和內容變化兩方面提出觀點演化模型，通過挖掘動態話題鏈分析了觀點演化下網絡群體集聚過程[60]。

5 突發事件網絡輿情傳播動力學建模

基于輿論生態系統信息流動因子視角，構建傳播動力學模型是當前剖析突發事件網絡輿情傳播內在機制的主要研究方法。國內外學者嘗試從多個視角進行建模，以期揭示網絡輿情傳播過程的內在機理。

5.1 突發事件網絡輿情傳播動力學研究圖譜分析

本節以“SU%(輿情+輿論+謠言+微博+微信+信息)*(事件+危機)*(傳播模型+傳播機理+傳播機制+擴散模型+擴散機制+擴散機理+轉發模型+轉發機制+轉發機理)”為檢索式對CNKI數據庫進行檢索，來源類別設定為中文核心期刊要目總覽、CSSCI、CSCD，截止年份設定為2021年，剔除期刊索引等與本文內容不相關文獻，共得到383篇中文文獻，以“TS=((rumor OR information OR opinion OR weibo OR wechat OR twitter) AND (“spreading model” OR “diffusion model” OR “transmission model” OR “propagation model” OR “dissemination model”) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”為檢索式對Web of Science核心合集SCIE、SSCI數據庫進行檢索，截止年份設定為2021年，共得到583篇外文文獻。

通過歸納整理所檢索的文獻，繪制突發事件網絡輿情傳播動力學國內外總體研究趨勢圖，如圖14所示。從圖中可以發現，2004—2008年為國內外學者前期探索階段，發文量普遍偏少。2008—2017年國內外文獻研究均進入增長階段，發文量呈現上升趨勢。值得注意的是，以2017年為界限，國內外文獻相關研究成果發文量差距逐漸增大，其中，國內文獻研究進入穩定發展階段，而國外文獻研究仍然呈現逐年上升趨勢。

圖14 突發事件網絡輿情傳播動力學國內外總體研究趨勢

進一步地，為具體分析國內外學者在突發事件網絡輿情傳播動力學建模方面取得的研究進展，運用Cite Space繪制國內外檢索文獻關鍵詞共現圖譜與關鍵詞時區圖譜，進行可視化分析。如圖15、圖16所示。研究前期階段，國內外學者旨在厘清輿情信息一般傳播規則與擴散過程，這一階段考慮到疾病傳播與信息傳播相似性，傳染病動力學模型成為網絡輿情傳播研究理論基礎。隨后，伴隨復雜網絡理論發展以及社交網絡平臺日益興起，考慮復雜網絡拓撲結構以及社交網絡用戶興趣愛好、情感傾向等社會屬性特征的突發事件網絡輿情傳播研究逐漸引起國內外學者的廣泛關注。

圖15 突發事件網絡輿情傳播動力學國內外文獻關鍵詞共現圖譜

圖16 突發事件網絡輿情傳播動力學國內外文獻關鍵詞時區圖譜

5.2 基于傳染病動力學的輿情傳播模型

突發事件網絡輿情傳播與傳染病感染具有一定相似性[61]，通過改進傳染病動力學模型來進行研究，成為探索突發事件網絡輿情傳播規律的重要途徑。Daley D J等于20世紀60年代提出了經典的D-K模型，對謠言等輿情傳播與流行病傳播的相似性進行了全面比較，將均勻混合的人群分為易感者、感染者、免疫者3類，進而運用隨機過程的方法進行求解。這里，易感者表示沒有聽過謠言等網絡輿情的人，感染者表示積極傳播謠言等網絡輿情的人，免疫者表示知道但不再傳播謠言等網絡輿情的人[62]。Maki D P等在此基礎上結合現實場景對傳播規則進行完善，指出當傳播者相遇后，前一個傳播者會變為免疫者，進而建立了M-T模型[63]。這兩個模型為學者后續研究網絡輿情傳播規律提供了理論指導。Sudbury A還進一步驗證了輿情傳播動力學模型與SIR傳染病動力學模型的相似性[64]。

5.3 基于復雜網絡的輿情傳播動力學模型

伴隨著互聯網技術和網絡平臺的飛速發展與更新迭代，傳統傳染病模型很難精準刻畫突發事件網絡輿情的傳播過程，部分學者將經典傳播模型和近年來興起的復雜網絡模型相結合，引入網絡拓撲結構來改進傳播動力學模型。

5.3.1 小世界網絡輿情傳播動力學模型

統計分析表明，在線社會網絡具有高聚類、小世界等特性，為此可基于小世界網絡對傳播動力學模型進行改進。Zanette D H率先基于小世界網絡構建了傳播動力學模型，并求解出傳播閾值，揭示了謠言等網絡輿情在小世界網絡中的傳播規律[27]。Santos F C等引入同構小世界網絡，探討了兩種機制對傳播爆發閾值的依賴關系，以及在自然選擇條件下合作者和叛變者的共同演化機制[65]。孫慶川等對小世界網絡中的傳播規律進行研究，發現當輿情吸引力接近閾值時，添加隨機邊將增大傳播范圍，傳播耗時對網絡規模大小敏感，而當輿情吸引力足夠大時，網絡結構變動對輿情傳播范圍影響不大，耗時也趨于穩定[66]。

5.3.2 無標度網絡輿情傳播動力學模型

由于在線社會網絡用戶節點度數一般服從冪律分布，基于無標度網絡構建輿情傳播動力學模型是另一個改進思路。Moreno Y等對謠言等網絡輿情在復雜異質網絡中的傳播規律進行研究，建立了動力學平均場方程[67]。Nekovee M等建立了在線社會網絡謠言等輿情傳播的動態平均場方程，研究結果表明，無標度網絡更容易傳播謠言等網絡輿情[68]。任立肖等分析了無標度網絡機制下網絡輿情的傳播演化規律[69]。劉亞州等考慮到社會網絡平臺不同鄰居節點影響力的差異，構建了聚類系數可變的無標度網絡輿情傳播動力學模型[70]。Zhang M等基于BA無標度網絡對SEIR模型進行改進，并以新冠肺炎疫情網絡輿情為例進行驗證，表明網絡結構對輿情傳播具有重要影響[71]。

5.3.3 加權網絡輿情傳播動力學模型

值得注意的是，上述小世界網絡與無標度網絡均假設網絡為無權網絡，但在現實生活中有些網絡中的用戶關系強度具有差異，為此一些學者還進一步研究了加權網絡上的輿情傳播問題。Rattana P等研究了無向加權網絡上的SIS和SIR模型，分析了權值分布對流閾值的影響[72]。闞佳倩等考慮加權網絡中網絡結構非局域性效應、連邊權重、社會增強效應對輿情傳播的影響，研究發現，個體越傾向接受親密朋友的信息，輿情越不容易大范圍傳播，相反，個體越傾向接受非親密朋友的信息，則輿情越容易大范圍傳播[73]。王金龍等構建了基于用戶相對權重的在線社會網絡輿情傳播模型，仿真結果表明，在非均勻網絡中，該模型更能體現真實網絡特點，同時驗證了節點地位對輿情傳播的影響[74]。

5.4 考慮人類行為社會屬性的網絡輿情傳播動力學模型

網絡輿情傳播是一種典型的社會傳播，與疾病的無意識傳播不同，網絡輿情傳播還受到記憶、興趣、情感等因素影響[75]，因此還需要進一步將人類行為社會屬性引入到模型中，對突發事件網絡輿情傳播過程進行深入探索。

5.4.1 記憶驅動的網絡輿情傳播動力學模型

考慮到人類對事物的遺忘性特征，一些學者從遺忘記憶視角展開研究。Gu J等研究發現，遺忘記憶復合機制對網絡輿情傳播具有顯著影響[76]。Zhao L等構建了考慮遺忘率的網絡輿情傳播動力學模型，發現遺忘記憶機制將延遲謠言等網絡輿情結束時間，降低謠言等網絡輿情最大影響[77]，初始遺忘率越大或遺忘速度越快，最終范圍越小，且時變遺忘率比常數遺忘率更易擴大網絡輿情傳播范圍[78]。Wang J等構建了SIRaRu謠言等網絡輿情傳播動力學模型，數值模擬也表明遺忘率對謠言等網絡輿情傳播具有較大影響[79]。

進一步地，學者還將遺忘記憶機制與其他因素相融合，分析對網絡輿情傳播過程產生的組合影響。Afassinou K提出，考慮遺忘機制和人口受教育程度的SEIR謠言傳播模型，發現群體中受過教育的個體越多，謠言影響范圍越小[80]。Lv L等提出了綜合考慮記憶效應、社會強化效應和非冗余接觸的傳播動力學模型[81]。王超等引入遺忘機制和遏制機制，構建了在線社會網絡輿情傳播模型，分析了兩種機制對輿情傳播的組合影響[82]。Huo L等引入智者新用戶狀態，建立了考慮遺忘因素和社會強化效用的網絡輿情傳播動力學模型[83]。

5.4.2 興趣驅動的網絡輿情傳播動力學模型

美國學者Lippmann在《Public Opinion》一書中指出，輿情是由公眾興趣發展而來的，輿情內容能否引起用戶興趣是影響其傳播行為的重要因素。劉詠梅等引入興趣衰減系數，發現首次轉發概率、興趣衰減系數以及小世界網絡等因素較大影響了網絡輿情傳播過程[84]。王瑞等引入用戶興趣空間和用戶影響空間，根據用戶對傳播內容的喜愛程度和其他用戶的影響程度預測用戶接受傳播內容的概率[85]。夏志杰等提出了一種改進的SEIR模型，分析了內容吸引力對謠言等網絡輿情傳播的影響[86]。王長春等引入謠言等網絡輿情屬性變量，探討了內容屬性、網絡結構特征、敵我雙方干預強度對謠言等網絡輿情傳播效果的影響[87]。

5.4.3 情感驅動的網絡輿情傳播動力學模型

與傳統媒體不同，社會網絡平臺中的輿情傳播還伴隨公眾情感交流，使得網絡輿情傳播更快更廣。尤其突發事件發生后，網民交流討論還極易加劇群體情感極化，甚至引發線上線下群體性事件。因而，情感分析已成為網絡輿情傳播研究的重要方面[88]。Anthony S提出一種考慮焦慮因素的網絡輿情傳播模型，發現高度焦慮的小組比低度焦慮的小組傳播網絡輿情的頻率更高[89]。洪巍等分析了食品安全事件中，傳播者情感傾向對網絡輿情傳播的影響[90]。安璐等以寨卡突發事件為例，通過對輿情情感進行細粒度劃分，計算情感強度，分析情感類型、情感強度對突發事件網絡輿情傳播演化過程的影響[91]。王家坤等引入用戶感知價值、用戶網絡地位與社會強化效應等影響網絡輿情傳播的因素，建立了網絡輿情傳播模型[92]。Fu P等構建了考慮個體情感態度的網絡輿情傳播模型，發現恐慌、悲傷等情感對網絡輿情形成及擴散速度具有重要影響[93]。

6 總結與展望

智能化時代，突發事件輿情信息借助社會網絡平臺幾何裂變傳播擴散，極易給整個社會帶來巨大影響。綜合上述分析，現有研究立足輿論生態系統理論，圍繞信息主體因子、信息環境因子、輿情信息因子、信息流動因子等方面，基于復雜網絡建立了多元網絡輿情傳播復雜動力學模型，為研究突發事件網絡輿情傳播問題奠定了堅實的理論基礎。綜合圖1總體研究趨勢圖與圖5、圖8、圖11、圖14這4部分研究趨勢圖可以發現，突發事件網絡輿情傳播問題正呈現快速發展之勢。此外，從圖3總體關鍵詞時區圖譜與圖7、圖10、圖13、圖16各部分關鍵詞時區圖譜中還可以發現，近年來隨著新冠肺炎疫情全球肆虐，學者對該突發事件給予了較多關注，但仍有如下問題亟待進一步探索。

1)基于用戶畫像的突發事件網絡輿情傳播特征挖掘。如圖3、圖7所示，“大數據(Big Data)”“云計算(Cloud Computing)”等成為當前研究熱詞，學者正嘗試基于網絡空間海量數據挖掘網民傳播行為特征。此外，用戶畫像作為一種標簽化的用戶模型，可通過提取用戶屬性、偏好、行為習慣等信息高度概括用戶行為特征，為研究提供了新思路。然而，當前基于微博、論壇等多種社會網絡平臺探討輿情傳播用戶畫像的研究卻很少，難以體現突發事件下網絡空間用戶活動的全貌。因此，基于網絡空間海量輿情數據分析用戶傳播行為特征，進而繪制較為全面的突發事件網絡輿情傳播用戶畫像是亟待解決的重要科學問題。

2)突發事件網絡輿情傳播演化多元影響因素組態構型研究。突發事件網絡輿情傳播演化過程受到多元復雜因素耦合擾動作用影響。現有研究已對網絡輿情的內部、外部影響因素進行了分析，但多聚焦于同一類別，而對各因素間相互作用及其組態對突發事件網絡輿情傳播演化過程的影響研究不足。如圖10所示，近年來定性比較分析法(QCA)因可有效揭示不同變量因果關系以及不同組合對結果的影響而逐漸引起學者關注。因此，基于突發事件網絡輿情實證案例，利用QCA方法對各影響因素進行構型分析，研究不同因素組合對突發事件網絡輿情傳播演化過程的影響是亟待解決的重要科學問題。

3)線上線下交互下情感驅動的突發事件網絡輿情生成涌現機制研究。智能化時代，線上線下耦合交互改變了輿情傳播結構。尤其突發事件網絡輿情傳播極易引發現實社會群體非理性行為并在線上線下相互作用下形成耦合效應，且伴隨事態發展，網絡輿情主題與情感態度也隨之動態演變，共同推動突發事件網絡輿情涌現擴散。目前，該問題的研究尚顯不足，且忽略了情感傾向性動態演變特性對主題演化的影響，因而遠不能滿足對突發事件網絡輿情生成涌現過程復雜性理解的需要，無法精準刻畫情感驅動的個體—群體線上線下動態交互作用下的網絡輿情生成涌現過程。因此，探究線上線下交互下情感驅動的突發事件網絡輿情生成涌現機制是亟待解決的重要科學問題。

4)網絡—信息—行為跨時空耦合的突發事件網絡輿情復雜傳播機制研究。與普通輿情不同，突發事件網絡輿情傳播過程呈現群體極化、多主題、跨網絡時空動態演變等特征。然而，以往研究主要聚焦分析單一網絡單輿情獨立傳播規律，無法體現突發事件網絡輿情傳播群體集聚、觀點爭議等特點，難以深入刻畫多信息跨網絡傳播演變的內在機制。如圖16顯示，近年來有關輿論生態系統全景分析的“全景生態”研究逐漸引起學者關注，但尚處于探索階段。因此，如何從網絡—信息—行為跨時空耦合視角，對社會關系網絡、輿情內容、交互行為等全景信息有效綜合，分析內部動力機制，進而構建突發事件網絡輿情傳播動力學模型是亟待解決的重要科學問題。

5)人機共生視域下國際輿論場突發事件網絡輿情傳播與應對研究。智能化時代，以社交機器人為代表的計算宣傳日漸成為西方操控國際輿論、污名化中國的新手段，中國面臨更加錯綜復雜的國際輿論生態環境。尤其突發事件下，社交機器人已突破傳統媒介工具屬性滲透到各社交平臺中，成為可通過算法自動發布大量虛假信息并與人類互動的行為主體，致使網絡輿情傳播結構發生系統性變化。此外，由圖3可以發現，“共生模式”正逐漸成為當前研究熱點。因此，如何有效識別網絡空間社交機器人虛假賬號，挖掘社交機器人計算宣傳行為模式，進而剖析人機交互的國際輿論場突發事件網絡輿情復雜傳播機制，探索人機共生情境下國際輿論有效應對路徑是亟待解決的重要科學問題。