網絡輿情事件演化的仿真實踐研究

黃煒+余輝+李岳峰

〔摘 要〕 基于NetLogo仿真系統構建了網絡輿情事件的演化仿真模型。利用圖形化的界面和NetLogo特有的Turtle、Patch、Link代理Agent組成網絡輿情事件的復雜網絡仿真系統。實現了以圖形輸出窗口展現網絡輿情傳播演化的過程，從而直觀地展示了網絡輿情事件的初發、加劇、爆發、衰弱至消亡的整個生命周期。局限在于沒有考慮動態的網絡關系和社區網絡結構對仿真模擬的影響。本文通過仿真實踐發現了在網絡輿情事件演化過程中各因素的相互作用關系，也為網絡輿情演化仿真提供了可視化范例。

〔關鍵詞〕網絡輿情；群體性事件；NetLogo；仿真；復雜網絡

DOI：10.3969/j.issn.1008-0821.2017.08.009

〔中圖分類號〕G206 〔文獻標識碼〕A 〔文章編號〕1008-0821（2017）08-0065-09

〔Abstract〕Based on NetLogo，simulation platform of network public opinion evolution simulation model was constructed. Using the graphical interface and NetLogo peculiar turtle，patch，link and various types of Agent construction of network public opinion complex network simulation platform，implementation to show changes nodes spread graphics output window. Thus visually showed the Internet public opinion events incipient，intensifies，outbreak and weak to the demise of the whole life cycle. The study didnt take into account the impact of the dynamic network relations and community network structure for simulation. Through simulation practice found in the network public opinion of the various factors in the evolution process of functions and mutual relations，it also provided the network public opinion evolution simulation visualization paradigm.

〔Key words〕network public opinion；group event；NetLogo；simulation；complex network

隨著網絡的飛速發展，網上的信息日益增多，分秒之間各種各樣的新聞發生在現實世界并在人群之中傳播。而網絡作為信息發布和傳播的載體對輿情和謠言傳播的影響越來越大，特別是在各種網絡社區及論壇中關鍵人物的意見，很容易在網民之間形成極快極具影響力的瀑布效應。如今的網絡除了是傳統意義上的信息交流和服務的平臺，更是一種具有極強社會號召力和傳播力的新聞傳播工具。特別是近年來移動網絡的發展，微博、微信等移動端網絡通信工具的用戶數量不斷增加，這使政府、媒體和公眾在網絡上描述和傳播危機的危機信息的影響變得更為復雜和重要[1]。網絡危機已逐漸成為現在社會穩定的一個標準，是當局關注社會和諧度的一個重要參考因素。與此同時網絡群體事件、網絡輿論事件、網絡熱點事件等概念也開始流行[2]，它們是某些網絡輿情的一個重要形成因素。在這樣的背景下，網絡危機信息傳播的模式和特征很快成了學者們研究的熱點。黃微等人從宏觀、中觀以及微觀三個視角總結了網絡輿情的形成機理以及場勢深化規律，不過研究中并不涉及量化測度網絡輿情場[3]。高歌在分析網民、媒介和政府對網絡輿情影響后，運用系統動力學和傳播學理論與模型，對網絡輿情演進進行仿真，探究網民、媒介和政府三者對網絡輿情的影響力[4]。本文在學者們的研究基礎上，基于NetLogo仿真平臺以無標度網絡模型BA（Barabasi-Albert）和傳染病模型SIR（Susceptible -Infective-Removal）實現圖形化網絡群體性事件的演化過程。

1 復雜網絡與NetLogo

1.1 復雜網絡概述

1998年，Duncan Watts和Steven Strogatz最先提出了從規則網絡到隨機網絡轉變的小世界網絡模型[5]，1999年，Albert-Laszlo和Barabasi指出很多網絡中點的連接是沒有明顯的特征長度的冪律形式，具有這種形式的網絡被稱為無標度網絡。同時具有小世界和無標度這些特性的網絡就可以稱為是復雜網絡[6]?，F實社會中可以用復雜網絡來描述很多復雜的系統，這些系統分布在科研網、萬維網、電力、航空和生物學等領域[7]。在一個復雜網絡中，網絡節點代表系統元素，連接節點的線代表元素之間的相互作用。應用到社會網絡中，節點可以用來表示個體、組織或者機構，邊就用來表示這些個體或組織間的社會關系。復雜網絡和其他網絡相比復雜性主要體現在3個方面。第一，復雜網絡的網絡結構很復雜，各個節點之間的關系沒有具體明確的界定；第二，它的網絡節點數量處于動態變化中，連接節點的關系也隨之呈現復雜化、多樣化；第三，它的動力學因素較為復雜，節點屬于非線性系統，有很多非線性動力學特征[8]。

目前學者們對復雜網絡的研究主要有3個方面。第一個是網絡的形成與演化模型機制，就是通過建立模型來模仿網絡的真實運轉行為；第二個是研究復雜網絡的穩定性，在它面對不同突發狀況時的動作能力；第三是它的動力學因素，也是研究的最終形式，掌握復雜網絡的動力學知識能更好的控制網絡輿情和其他信息在網絡上的傳播。本文在復雜網絡的信息傳播理論的基礎上，對網絡群體性事件的演化過程進行模擬仿真研究。

1.2 NetLogo仿真平臺

Netlogo是一個可編程的建模環境，主要用來對自然和社會現象進行仿真模擬[9]。它是由美國西北大學連接學習和計算機建模中心（Center for Connected Learning and Computer- Based Modeling；CCL）開發并負責持續開發，其研發目的正是為科研教育機構提供一個強大且易用的計算機輔助工具，本文采用NetLogo4.1版本。

Netlogo的特點讓它很適合隨時間變化的復雜系統，它會向系統中的智能代理發布指令，可以用來探究個體行為的微觀層面和多個代理之間交互完成的宏觀模式之間的聯系[10]。Netlogo主要功能有：多Agent建模、運行控制、仿真實驗、系統動力學仿真、參與式仿真和模型庫等。其中的多Agent建模指的是將分布在系統中獨立的Agent同步更新，從而整體隨時間變化而變化[11]。實驗管理是Netlogo平臺存在的行為空間，即Behavior Space自動管理仿真運行，并記錄結果。而仿真的輸出主要是提供多種手段實現仿真運行監視和結果輸出。

Netlogo的仿真通常包括主體、空間表達和仿真推進三個層面[12]。主體又可以簡單分為四類，即Turtles（小海龜）、Patches（瓦片）、Observer（觀察者）和Links（連接），它們可以表示出虛擬世界中的主體和聯系。空間表達即虛擬世界中的一種坐標，通過是一種連續的空間。仿真推進是對某個例程的不斷執行，通過設置模型中初始化狀態以及仿真模擬兩個例程實現。

2 網絡群體性事件演化模型

2.1 SIR模型分析

本文選取傳染病模型SIR來對網絡群體事件的演化進行仿真。在SIR中，已經感染了的感染者可以去感染易感染者并使之成為新的感染者，感染者可以被治好并同時具有一定的免疫力[13]。在SIR倉庫模型中針對傳染病把人群分為三類[14]：S類用來表示易被感染的人，用s（t）來表示t時刻這類人的數量；I類用來表示被感染的人，用i（t）來表示t時刻這類人的數量；R類用來表示從染病者恢復的人，用r（t）來表示t時刻這類人的數量。對應到輿情事件中的角色來即為（易被影響者）易感染，（已被影響者）染病者，（非影響者）移出者，用S來代表沒有收到信息的用戶，I指那些收到信息并且轉發的用戶，R是收到信息但不做出反應的用戶[15]。

從公式中很容易得知當t無限大時，i（t）=0，其中p表示一個門檻值，應該降低傳染系數k并且提高恢復系數l，這無論是在控制傳染病上還是在控制網絡輿情上都具有很重要的現實意義。

2.2 模型構建

通過對復雜網絡和相關模型的分析，網絡群體事件信息的傳遞特點符合BA無標度網絡模型的特點[16]，網絡群體性事件的演化具有以下4個特點。

1）意見領袖現象。網絡輿情中的意見領袖指的是在網絡中有著大范圍影響力的活躍分子，在群體事件中發出的觀點能得到公眾的認可，從而引導輿論的走向[17]。這些意見領袖體現在網絡上就是一個個較大的網絡節點。

2）社會群體現象。物以類聚，人以群分。在社會中每個人都有自己的社交圈。假設A有朋友B和C，那么B和C互為朋友的概率也很大。在群體性事件的參與中，不僅參與者之間有聯系，他們也與事件外的人有聯系，個人和群體都處于整個網絡的大環境中[18]。群體現象也就是網絡結構上的集群系統。

3）反映人際關系的親疏。人們在網絡的地位并不是對等的，在不同事件中會有著不同的影響能力。當一個成員與其他成員都是直接聯系時，在這個網絡此節點不存在結構洞，那么他的影響能力的權值就比較大，權值反映了意見相互影響的程度[19]。

4）反映朋友的數量限制。150法則（rule of 150）指出人類智力上限允許我們的穩定社交人數約150人[20]。不管是社交網絡還是現實生活中都受這一條件限制，網絡節點的度或者相應的權重也會受到一定的限制。

3 模型仿真及實驗結果分析

3.1 NetLogo模型仿真實踐

網絡輿情事件在它的發展過程中，會不斷地在網絡與現實中產生互動。因為網絡輿情事件的來源事件本身會隨著時間的變化而發展，網絡輿情也會隨著事件的發展而發展。此外事件中的參與者或者事件外的旁觀者也會有自身利益、觀念和情緒的變化，這樣大多網絡輿情事件都會經歷一個由形成期到高漲、波動的過程，最終淡化在新的輿情事件中[21]。

1）網絡輿情的形成

網絡輿情的起因有很多，社會事件或者突發事件的發生都有可能引起網絡輿論。這些事件的共同特征在于它們是網民關注的重點，可能與網民利益或信仰相關，它們一發生就可以成為這些網民關注的焦點，很容易在網絡上擴散開來。

2）網絡輿情的高漲

在網絡輿情基本形成后，意見領袖參與轉發評論，可能進一步影響網民的情緒和意見，這樣會使參與傳播和討論的人數不斷增多。網絡上各種頭條和熱點會自動推薦這些信息給更大范圍的網民，網絡輿情的影響會越來越大，并且根據事件的重要程度和政府相關部門的措施持續一段時間。

3）網絡輿情的波動

在持續期間，輿情事件會在事件進展和意見領袖的引導下產生變化，各種輿論觀點會產生相應的反應，合并相同的輿論觀點并分化出不同的觀點，此期間的輿論在一個較高關注度中小幅波動。

4）網絡輿情的淡化或沉默

在網絡輿情的平穩期，隨著沒有新的促進因素產生，網民會產生疲勞心里，關注熱度也隨之下滑，這一輪的網絡輿情事件會慢慢淡化出網絡。如果發生新的輿情事件，網絡輿情就會很快進入新的一輪發展到淡化的過程。

本文所采用的仿真模型具有兩個階段——“setup”，然后“go”階段。在安裝階段，創建一個網絡。這一步是處理器密集型的，可能需要幾分鐘。世界產生一個定義的組數量，然后創建1或2組長，和1、2或3個組員。然后創建組長（意見領導者），讓組員們 以75%的時間分配自己的注意力去最近的組，加入任何其他組。

最后，組長以社交網絡形式，通過選擇一定數量的附近的朋友，然后剩余數量的朋友從更遠的地方選擇。如果兩個組長活躍在同一個社區里，他們將獲得高達75%的社區成員。

在“go”階段，每個受影響的個人要求每個鏈接評估他們是否會被影響，基于界面中輸入的值。如果影響傳播，這將成為明顯的影響因素。一旦影響，雖然組員影響力較小，但是隨著時間的推移，許多將被排除在組的風險，但仍有可能傳播到組中。

在影響力低的種群，最初的模擬有時會失敗。因此有一個規則，如果沒有影響傳播，自動復位，重新開始在同一個世界。

首先設置價值觀。選擇有多少組和其中多少百分比是隔絕影響的，也可以改變多少最初被影響和世界的總大小（補丁大小規模比例保持顯示相同的大小）。

準備好后，單擊設置。等到“模擬狀態”讀“ready”之前，點擊。如果想看網絡形成，使用開關按鈕（注意，“傳播路徑切換”只工作一次仿真已經完成）。

單擊Go運行仿真，點擊step1后會出現的界面如圖3左半部分所示，其中品紅色的組長與紫色和綠色的組員還有大方塊代表社區中出現的即時事件。小組成員之間的聯系如圖3右半部分所示。

點擊step2： go until steady后顯示如圖4所示。其中黃色小節點表示事件發生后具有較大影響力的人，而紅色大方塊表示在此次事件后歸為較大有影響的事件。

圖4是在整個事件發生時候幾類受影響的群體數目的變化依次分為：easyaffected（易受影響的，圖中用紫色表示）、agree（同意，圖中用紅色表示）、immune（免除的，圖中用綠色表示）、ever agree（不確定，圖中用橙色表示）。

3.2 具體演化過程圖示

通過設置意見領袖輿情傳播率、小組間輿情傳播率、小組成員輿情傳播率、小組數、意見領袖數量、事件認同率、世界大小等變量參數，將仿真初始值與預期設定分為三類：常規網絡輿情事件傳播、突發大規模事件傳播、一般的小范圍傳播。本小節以截圖分別來演示這三類仿真過程。

3.2.1 常規爆發模式下模型變化

1）網絡輿情的形成過程，本文選取ticks為0、5、8、14的時刻，主要是網絡輿情發生的初始階段，這4個典型的截圖可以代表輿情形成的簡要過程，如圖5所示。

2）網絡輿情的高漲過程即輿情已經形成且具有一定的規模，處理較為穩定的活躍狀態，如圖6所示。

3）網絡輿情的波動變化，是由多種原因引起的網絡輿情不規則變動，由于只是一個小波動過程，并不會影響輿情趨勢，此處不演示圖例。

4）網絡輿情的淡化或沉寂狀態即輿情淡出網民的關注，開始恢復到輿情形成之前的狀態。

3.2.2 突發大規模事件傳播實驗對比

在突發大規模事件中，變量的設置應更加極端。設置意見領袖的數量極多與極少對比如圖7所示。

意見領袖之間輿情傳播概率由0.02變化為0.10，小組之間輿情傳播概率由0.20變化為0.01，小組成員之間輿情傳播概率由0.005變化為0.05。完全爆發的最終態如圖8所示。

3.2.3 一般的小范圍傳播（意見領袖影響力減少）

在小范圍傳播中意見領袖的影響力減小設置由80%變化為7%。事件完全沉寂終態如圖9所示。

沉寂后事件在世界中形成孤島現實表現為事件消失，可以看出最后只形成極小的意見孤島。實驗模擬小組由1510變化為220，這個變量改變并沒有多大意義，因為現實世界中是有足夠多的對象。

3.3 實驗結論分析

仿真實驗中所用的數據變化的實驗結果如表1所示，仿真實驗對比如圖10所示。

由圖10可以看出，在變量處于極端的情況下（主要分為了變量極大與變量極小，分別對應兩類事件即事件迅速瘋長與事件迅速消亡），而這都是不正常的事件傳播情況，現實中的事件更加傾向于參數變量符合常規的數學模型。

實驗中黃色輿情組長節點的意見，隨著領導者意見從黃色變為紅色組長也隨之影響組員的狀態，組員的顏色也隨之變換，最終世界中大部分節點顏色都與部分輿情領導者狀態一致。而實驗的變化是不確定的，事件產生數是隨機事件，可變化的是輿情領導者節點數，每次實驗的結果呈現多樣化，隨著對多次實驗的結果以及世界節點變化分析可以清晰表明，在常規輿情演化中話題數隨時間逐漸減少，意見領袖的作用依舊顯著，最后界面中保留的大節點（話題）基本與吸引力強大的意見領袖話題保持一致并且節點（話題）數有明顯減少。與前期分情況分析結果基本一致。意見領袖影響力在輿情傳播過程占據重要地位。即使在這個大眾傳媒和大眾廣告鋪天蓋地時代，據統計多達80%的公眾意見都是受別人的影響，而這一現象很好地在本模型中展現出來。

結合本模型的仿真結果，可以得到以下三個結論。

①識別了在虛擬網絡社區中網絡群體性事件演化過程中意見領袖的作用，與常規節點相比，意見領袖有更大的度而發揮更大的傳播作用。

②發現了控制網絡群體性事件傳播速度的條件。增加節點個數，增強意見領袖的度，或意見領袖之間的聯系都可以讓其傳播速度在一定范圍內有所增加，反之則減小。

③證實了網絡群體性事件所引起的網絡輿情傳播具有的周期性。網絡輿情在形成階段，網民對信息的抗性能力低，因此信息會很快擴散出去；在高漲期內，出現整體穩定，局部波動的特征；最后一個事件的輿情會隨著事件的發展而淡出網絡。

4 總結與展望

本文結合復雜網絡的特點，針對輿情發展的演化規律進行仿真，在理論上完成了基于多代理的復雜網絡模型框架。并在理論的基礎上用Netlogo來模擬整個網絡輿情系統運作，證實了理論的正確性和可靠性，具有一定的理論和現實意義。

本文中敘述理論和模型還有兩點不足，一個是當前現實中傳播分析迫切地需要基于動態關系網絡的理論，而目前已有的理論大多基于靜態網絡結構；另一點是本文在分析網絡傳播時沒有區分整個網絡的傳播和局部社區網絡的傳播，現實中輿情的傳播更多的是在某個地區達到高潮和穩定，而目前采用的傳播方案多基于網絡整體。今后研究可以從探尋動態網絡結構理論出發，找到更適合真實世界中網絡傳播的理論模型。同時也要結合實際社區結構，考慮一個社區內部結構對輿情傳播的影響。

參 考 文 獻

[ 1 ] 遲準，王昌偉，梁靜國，等. 網絡危機信息傳播仿真研究——基于政府干預的傳播[J]. 情報雜志，2012，31（11）：23-29.

[ 2 ]郭小安，王國華. 網絡群體性事件的概念辨析及指標設定[J]. 情報雜志，2012，31（2）：6-11.

[ 3 ] 黃微，高俊峰，滕廣青. 網絡輿情場形成與極性演化機理研究[J]. 情報理論與實踐，2016，39（12）：19-24.

[ 4 ] 高歌，張藝煒，丁宇，等. 基于系統動力學的網絡輿情演進機理及影響力研究[J]. 情報理論與實踐，2016，39（12）：39-45.

[ 5 ] Barabasi A L，Bonabeau E. Scale-Free Networks[J]. Scientific American，2003，288（5）：60-69.

[ 6 ]范如國. 復雜網絡結構范型下的社會治理協同創新[J]. 中國社會科學，2014，（4）：98-120.

[ 7 ]劉業政，周云龍. 無尺度網絡平均路徑長度的估計[J]. 系統工程理論與實踐，2014，（6）：1566 -1571.

[ 8 ]樊宇. 基于復雜網絡理論的無線傳感器網絡同步技術研究[D]. 重慶：重慶大學，2013.

[ 9 ]Wilensky U. NetLogo[J]. Oklahoma Tobacco Settlement Endowment Trust Fund，1999，22（4）：595-599.

[ 10 ]劉小波. 基于NetLogo平臺的輿情演化模型實現[J]. 情報資料工作，2012，（1）：55-60.

[ 11 ]楊亞頻. 政府投資項目決策系統演化機理及其仿真研究[D]. 長沙：中南大學，2011.

[ 12 ]汪潔. 企業網絡中臨近性對知識轉移績效的影響研究[D]. 杭州：浙江大學，2010.

[ 13 ]佘廉，沈照磊. 非常規突發事件下基于SIR模型的群體行為分析[J]. 情報雜志，2011，30（5）：14-17.

[ 14 ]張十嘉. 一類SIR傳染病模型[D]. 成都：四川師范大學，2010.

[ 15 ]王小立. 微信傳播建模分析[J]. 現代情報，2015，35（7）：53-56.

[ 16 ] 李增揚，韓秀萍，陸君安，等. 內部演化的BA無標度網絡模型[J]. 復雜系統與復雜性科學，2005，（02）：1-6.（ Li Zhengyang，Han Xiuping，Lu Junan.A BA Scale Free Network Model with Inner Evolving[J]. Complex Systems and Complexity Science，2005，（02）：1-6.）

[ 17 ]張潤蓮，蘭月新，王彩華，等. 網絡群體性事件演化博弈分析及對策研究[J]. 圖書與情報，2016，（4）：24-30.

[ 18 ] 潘駿，沈惠璋，陳忠. 社會群體事件的微博傳播和復合生長曲線研究[J]. 情報雜志，2016，35（5）：72-78.

[ 19 ]郭秋萍，趙靜，郭祥. 基于結構洞的人際情報網絡分析[J]. 情報理論與實踐，2016，39（3）：26-31.

[ 20 ] Schneier B. Security，Group Size，and the Human Brain[J]. IEEE Security & Privacy Magazine，2009，7（4）：88.

[ 21 ]姜勝洪. 網絡輿情形成與發展規律研究[J]. 蘭州學刊，2010，（5）：77-79.

（本文責任編輯：孫國雷）