基于系統動力學的大學生線上下輿情聯動研究

李宗偉，王澤凱，夏偉偉

(上海應用技術大學，上海 201418)

1 引言

隨著自媒體的興起，微博、知乎、豆瓣等網站成了人們重要的發聲渠道和交流平臺，自媒體的發展也導致了原本單一、偶發的事件很容易迅速演化成網絡集群行為。當今高校大學生在面臨學校不合理政策時，出現了通過同時利用線上線下進行輿論造勢的方法來倒逼學校解決問題的新態勢。以去年新冠疫情期間高校普遍實行的封閉管理政策為例，由于學生和教職工出校政策不一致、校內食堂趁機漲價、學生生活如洗澡取快遞等諸多不便、社交需求不被滿足、本校封閉管理同其它高校開放的對比，這一系列影響因素造成了學生的不滿情緒不斷積累并爆發了“喊樓”事件。學生們高喊“解封、放假”的口號，并上傳了部分視頻到微博、知乎等網站上。同時學生們借助QQ、微信群傳播、微博上的二次發酵擴大事件影響力，利用輿論壓力迫使學校提出解決方案。自媒體、營銷號、意見領袖等群體等也進行跟進，借此提高個人關注度。而高校為避免事態失控，首先通過輔導員告知學生刪除不當言論并禁止參與討論，其次做出了部分妥協滿足學生需求。至此學生的部分權益等到了實現，高校維護了輿論穩定，事件告一段落并逐漸被人們遺忘。新形勢下這類網絡輿情事件還具有了一定的“傳染性”，當某高校的學生通過這類行為取得成效后，其他高校學生也爭相效仿。因此研究這類線上線下輿情聯動事件的發展演化過程對從源頭上杜絕此類事件的發生以及快速平息事件影響力具有重要的意義。

針對線上線下輿情演化，近年來國內學者有已有不少研究成果。葉瓊元等以線上線下互動量和趨同量作為耦合度衡量的指標，并最終以耦合度為標準分析線上線下聯系的演化過程[1]。遲鈺雪等基于超網絡理論，以輿情在現實空間和虛擬空間的信息傳播和觀點交互為研究對象，構建了基于超網絡的線上線下輿情演化模型[2]。沈乾等提出了多層同步網絡模型的概念，并定量分析了線上網絡與線下網絡之間在輿情傳播過程中的相互影響[3]。王世雄等從多層網絡視角入手，以線上線上互動網絡為基本結構，結合共識理論、沖突理論和社會判斷理論，抽取了兩層網絡互動機制和社會個體之間的交互規則，建立了社會共識涌現模型及其算法[4]。李勇等以“成都女司機被打”事件為例，對線上線下表達數據進行數理統計和時間序列分析，比較了情感的線上線下情感傳播差異，并從傳播環境、傳播方式、表達約束、網絡結構和用戶行為等方面對線上線下情感傳播影響因素進行了分析[5]。朱恒民等通過 Price 有向無標度網絡和 WS 小世界網絡完成了線上線下互動的耦合網絡模型的構建[6]。于凱等構建了線上線下的雙層耦合網絡模型，并結合傳播學和社會心理學理論，提出了層間對稱和非對稱的促進-抑制輿情傳播機制[7]。姚翠友基于微博用戶屬性和行為分析，綜合考慮微博輿情演化的主要推動因素及其關聯關系，應用元胞自動機方法，構建了社會事件的微博輿情演化模型[8]。

從以上研究成果可以看出，目前針對線上線下輿情仿真所使用的模型主要包括多層耦合網絡模型、STS模型、元胞自動機等，從系統動力學視角開展研究還比較少。此外以上研究領域也局限在無外力推動情況下輿情在線上和線下相互影響的過程，但是對于當前“大學生喊樓”這種首先在線下爆發群體性事件，然后人為在線上擴大影響力的主觀操縱下線上線下輿情發展的新態勢卻暫無研究。綜上所述，本文將基于系統動力學的視角，構建線上線下輿情聯動這一新形勢下大學生網絡輿情演化模型。

2 系統動力學建模

2.1 系統動力學建模可行性分析

系統動力學(system dynamics，SD)是系統科學理論與計算機仿真緊密結合、研究系統反饋結構與行為的一門科學，是系統科學與管理科學的一個重要分支[9]。本文研究的網絡輿情演化系統是一個非線性的系統，系統內部各影響因素之間沒有直接的線性關系。網絡輿情演化系統具有反饋環節，內部各影響因素相互影響。由于系統動力學在研究復雜的非線性系統方面具有巨大的優勢，因此運用系統動力學建模解決網絡輿情演化的問題是合適可行的。

2.2 模型邊界

本文以學校、學生、網媒、行為事件為主體，主要研究在線上線下輿情演化下各主體之間的相互作用。以及當產生網絡集群事件時，如何同學生進行溝通和引導，避免過激行為發生，造成不良的社會影響。本模型暫不考慮其它主體的影響。

2.3 建模步驟

本文所構建的新形勢下大學生線上線下輿情聯動模型主要分為學生、學校、媒體三個模塊。首先物價上漲、生活不便等諸多因素導致了學生負面情緒積累，因此爆發了大學生線下集群行為。同時在線上，學生們利用多種社交平臺將線下爆發的集群事件進行發酵擴散，抬高輿情熱度。嗅覺敏銳的媒體也會跟進報道，進一步擴大了事件影響力。輿情壓力之下，學校的處理能力開始提高。一方面學校逐步滿足學生的要求，提高學生的滿意度，降低不滿情緒。另一方面要求學生刪除網上不當言論并禁止參與討論，這降低了網絡輿情熱度，緩解了學校的輿論壓力。具體模型框架如圖1所示。

圖1 模型框架圖

2.4 因果回路圖

根據模型框架圖和系統邊界構建模型因果回路圖如圖2所示。從圖2可以看出，主要包括2個回路圖，一個正反饋環和一個負反饋環。

圖2 網絡輿情因果回路圖

2.4.1 媒體子系統

圖3 媒體子系統因果回路圖

網絡輿情熱情升高(或者降低)→學生關注度升高(或者降低)→新聞瀏覽量升高(或者降低)→新聞總數升高(或者降低)→學生參與度(或者降低)→網絡輿情熱度升高(或者降低)

2.4.2 學校處理子系統

圖4 學校處理子系統因果回路圖

網絡輿情熱度升高(或者降低)→學生處理能力升高(或者降低)→學生滿意度升高(或者降低)→負面情緒降低(或者升高)→大學生線下集群行為降低(或者升高)→網略輿情熱度降低(或者升高)

2.5 存量流量圖

圖5 網略輿情流量存量圖

2.5.1 主要變量關系

1)網絡輿情熱度=0.2*學生參與度+0.2*網媒作用力+0.6*大學生線下集體行為

構造思路：權重值由人民網輿情頻道中計算網略輿情熱度的方法可得

2) 學生關注度=0.4*網絡輿情熱度

3) 新聞瀏覽量=2.9818*10＾4*學生關注度

構造思路：通過收集微博、知乎等平臺上關于“大學生喊樓”事件的相關數據，利用MATLAB軟件進行擬合得到

4) 新聞增加量=新聞瀏覽量*轉發率

5)新聞減少量=新聞沉寂系數*新聞總數+學校處理能力

6)學生參與度=50-5.18*EXP(-7.64＾(-10)*新聞總數)

張一文等在基于系統動力學研究網略輿情演化方面與本文情景類似，此處直接參考張一文的研究成果[10]。

7)網媒作用力=網媒影響率*網媒報道頻率/1000

構造思路：網媒報道頻率用表函數來表示，數據是通過對微博10萬粉絲以上的官方或自媒體賬號所發布的信息頻次進行記錄。

8)負面情緒增加量=0.5*教職工待遇不一致+0.1*其余高校對比+0.1*物價上漲+0.1*生活不便+0.1*社交需求不被滿足

構造思路：通過爬取知乎上“如何評價合肥工業大學占用十一假期舉辦運動會并上課，這一安排是否合理？”以及“西安外國語大學因長期封校致物價上漲，學生集體喊樓，校方稱將簡化學生外出報備程序等，反映了什么問題？”問題下共992個回答，分析統計學生累計提到的問題頻次，得到系數。

9) 負面情緒減少量=時間系數*負面情緒積累*學生滿意度

10)學生滿意度=學校處理能力*0.4

構造思路：通過同當事學生進行訪談，得到對學校政策滿意系數。

11)學校處理能力變化量=網絡輿情熱度*(響應速度+學校公信力)/1000

3 模型的仿真研究

3.1 案例概述

圖6 合肥工業大學“喊樓”事件發展始末

3.2 模型參數估計

3.2.1 常量參數

參數取值通過采訪當事學生群體、爬取微博知乎上數據以及查閱相關文獻資料確定，見表1。

表1 模型的常量參數

3.2.2 表函數

網媒報道頻率數據是通過對微博10萬粉絲以上的官方或自媒體賬號所發布的信息頻次進行統計，記錄了2020年9月20日至9月30日的數據。網媒報道頻率=WITHLOOKUP(Time，[(0，0)-(10，200)]，(0，0)，(1，133)，(2，146)，(3，54)，(4，111)，(5，27)，(6，12)，(7，9)，(8，6)，(9，3)，(10，1)，(11，2)))，如圖7。

圖7 網媒報道頻率表函數

3.3 模型有效性驗證

3.3.1 模型驗證

使用Vensim軟件的Check Model功能，檢驗結果為“Model is OK”，說明模型沒有問題。

3.3.2 案例驗證

百度指數(Baidu Index)是以百度海量網民行為數據為基礎的數據分析平臺，是當前互聯網乃至整個數據時代最重要的統計分析平臺之一，可以通過百度指數驗證本文模型的有效性。

由圖8可以看出，在9月1日至30日以“合工大”為搜索詞的搜索熱度趨勢。9月20日極速上升，在9月21日到達頂峰，9月23日迅速下降，此后趨于平穩。

圖8 合工大事件百度媒體指數

運行本文模型，得到的網路輿情熱度趨勢圖如圖9所示。第0天為事件發生日，第1天至第2天為爆發期，第3天以后逐漸趨于平息，總體上符合網絡輿情演化特征，且網絡輿情熱度與百度指數代表的實際走勢基本一致。當線下集群行為爆發后，學生通過各種新媒體渠道進行擴散和轉發；隨后事件持續發酵，吸引了大批網民的關注，媒體也跟進報道；當事件演化達到高潮時，學校開始同學生們溝通并聽取訴求，同時控制網絡輿情熱度；隨著解決方案的提出和施行，學生、網民、媒體的關注度逐漸下降，網絡輿情熱度漸漸歸于平息，事件告一段落。

圖9 網絡輿情熱度變化趨勢

3.4 基礎仿真的結果分析

3.4.1 學生負面情緒積累

對模型進行仿真后得到學生負面情緒累積的走勢如圖10。

圖10 負面情緒積累變化趨勢

從圖10中可以看出，學生負面情緒累積呈現偏鋒態勢。先在1-2天內極速積聚并到達頂峰，隨著“喊樓”事件爆發負面情緒有所下降。之后學校相關政策進行了調整，學生負面情緒也快速下降最后趨于平穩。

3.4.2 新聞總數

對模型進行仿真后得到新聞總數的走勢，如圖11。

圖11 新聞總數變化趨勢

從圖11可以看出，媒體新聞總數較負面情緒激烈圖形趨勢具有一定的滯后性。事件剛爆發時由于知情人少，新聞總數增長緩慢。但隨著事件的擴散，在第1-2天內極速達到頂峰。不過新聞數在第五天開始下降，這是學校采取刪帖撤熱搜等行為以及新聞沉寂共同作用的結果。總體上符合網絡輿情演化特征。

3.4.3 學校處理能力

對模型進行仿真后得到學校處理能力的走勢，如圖12。

圖12 學校處理能力變化趨勢

從圖12可以看出，當事件爆發時由于學校并未重視，在平息事件能力上基本為0。但隨著網略輿情熱度的增加，在第3-5天學校為了控制事態的發展，相應處理緊急事件的能力極速上升。第5天后，隨著事件的逐步平息，學校處理能力的增長速度變慢。

3.4.4 基礎仿真結果綜合分析

基礎仿真結果通過分析得到網絡輿情熱度主要受到學生負面情緒積累、新聞總數、學校處理能力這3個變量的影響。因而網絡輿情熱度、學生負面情緒積累、新聞總數這三個變量的仿真結果在整理上的變化趨勢比較一致。但是負面情緒積累相比其它幾個變量會提前達到最高點，這是因為在本文研究條件下，先是由于學生不滿情緒的積聚進而爆發線下集群行為，然后再主動擴散至線上引起網絡輿情熱度，所以負面情緒積累會先達到最高點。在線下事件爆發后，新聞總數出現激增的時間點要早于學校處理能力開始顯著提升的時間點。這是因為線下集群行為爆發后，學校并未予以重視。而是等到線上輿情爆發后，學校才開始著手解決問題。學生成功通過在線上擴大的輿論影響力，倒逼學校重視學生需求。

3.5 輔助變量的調節控制及仿真分析

通過對輔助變量的調節控制，分析引起其它變量產生怎樣的變化，可以為后文建議的提出提供理論依據。

3.5.1 學生滿意度

當輿論事件爆發后，學生對學校重新調整的政策滿意度僅為40%。原因是雖然放開了出校管制但是仍很不方便，且校內物價上漲，洗澡、取快遞不便等諸多問題沒有得到解決。若學校做出更多改進，學生滿意度達到60%，得到的負面情緒變化趨勢如下圖13。

圖13 改變學生滿意度時負面情緒積累變化趨勢

負面情緒積累量有所下降，但下降趨勢與原來基本一致。可見輿論事件爆發后想快速平息負面情緒比較難以實現，下面嘗試在輿論事件爆發前阻止負面情緒的積累。

3.5.2 教職工待遇不一致

根據從知乎爬取的數據統計顯示，引起學生最不滿意的因素是學生出入校園條件與教職工不一致。高校內對學生普遍實現的“非必要不外出”的政策，學生有出行需求要經過輔導員、院長兩級審批，實際上很難有學生能夠出校。但高校老師、老師親屬、學校后勤人員(如食堂工作人員、清潔人員)卻能自由進出校門，這種強烈的對比導致學生產生了極大的不滿。若學校能將學生和教職工待遇基本保持一致(都允許出校或限制出校)負面情緒累積趨勢如下圖14。

圖14 改變學生同教職工待遇時負面情緒積累變化趨勢

根據圖中情況，可見負面情緒積累顯著降低。疫情期間學生對于生活不便等諸多因素具有一定的忍耐力，但當出現區別對待時就容易爆發輿論事件。

4 高校應對輿情演化事件的建議

4.1 高校制定政策時要站在學生立場上以人為本

大學生正處在愛憎分明、血氣方剛的年齡階段，遇到不合理的情況容易用極端的方式解決問題。高校管理者在制定相關政策的時候要充分聽取學生的意見和建議，站在學生的立場上做到以人為本。營造師生共建的和諧校園氛圍，而不是以高高在上的管理者的身份去發號施令。

4.2 高校在面臨輿論事件時要針對學生的主要訴求及時調整政策

高校在面臨輿論事件時首先會強迫學生禁止參與討論并刪除相關言論，但這極易導致學生負面情緒的再次積累從而爆發更嚴重的輿論事件。高校應該采取疏而非堵，根據學生的核心訴求快速調整學校政策。在相似的“大學生喊樓”事件中，西安某高校連夜制定出新的出校規則并立刻實行，這一做法獲得了學生們的一致好評。可見學生們進行網絡集群行為只是為了爭取自身權益，當得到滿足時負面情緒以及輿論壓力自然會消解。