突發(fā)事件中社交媒體用戶黏性與情感負荷對信息共生行為影響研究

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，以互聯(lián)網(wǎng)為代表的各種新媒體的不斷涌現(xiàn)，極大地改變了人們的信息傳播方式。其中，社交網(wǎng)絡媒體是當下人們熱捧不疲的一種重要的網(wǎng)絡新媒體。然而，隨著我國社會的轉型和改革的不斷深化，突發(fā)事件發(fā)生的頻率不斷上升。在事件突發(fā)后，人們由于無法獲得事件的確切信息，容易產生從眾效應，導致信息級聯(lián)，形成用戶對信息的共生行為。1879年，德巴里（Anton de Bary）將共生定義為兩種不同生物之間長期相互作用、共同生存。隨后，共生則有了更為普遍的定義，即共生是指所有成員通過某種互利機制，有機地組合在一起，共同生存發(fā)展，從而使其行為效果產生“1+1＞2”的整體效應。這就意味著其中的個體彼此依賴生存，或者在本可以獨立生活而選擇相互依存，這是一種普遍的生物行為現(xiàn)象，既存在于自然界，也存在于人類社會。關于“共生”現(xiàn)象和理論的研究，已由生物學領域逐漸滲入和延伸至社會學、管理學等諸多領域。其中，在信息行為學中，信息共生是指用戶群體、信息共變機制與環(huán)境協(xié)同共同作用的結果，使得信息共生后的整體能量大于個體信息能量的總和。

一方面，信息行為的從眾效應指出在特定群體中，其成員因為受到群體壓力而隱藏自己的真實想法，刻意保持與群體多數(shù)成員一致性的態(tài)度和信息行為。在網(wǎng)絡信息傳播中，當用戶群體從眾心理較強時，該群體中的信息集中性越大、離散程度越低，則更易于產生信息共生現(xiàn)象。而用戶信息從眾行為常常受到人們所處情境因素的影響，當情境賦予個體情感壓力越大時，則越易于產生信息從眾心理，從而在群體中出現(xiàn)信息共生現(xiàn)象的可能性越高[1]。另一方面，復雜信息網(wǎng)絡是由大量節(jié)點構成的一種拓撲結構，其中各節(jié)點代表個人或組織，不同拓撲結構代表不同的社會關系網(wǎng)絡，當節(jié)點結構分布具有集群特征時，則該網(wǎng)絡結構中的信息流動會出現(xiàn)共生現(xiàn)象。在社交媒體中，信息共生行為通?？梢鹩脩魧υ掝}討論的集中性，并形成用戶群體集聚。對于一般信息而言，信息共生行為可增強用戶間持續(xù)性關系的強度，并帶來知識的創(chuàng)新，通常不會導致臨時性關系的建構和社會負面沖擊效應的產生。而針對突發(fā)事件，事件作為公眾討論話題的焦點，當信息出現(xiàn)共生時，可聚變生成新的共生能量，且用戶可通過共變適應、相互協(xié)同，推進信息在共同適應和互惠受益中傳播，使危機信息的擴散能力以及負面影響大幅提高。同時，信息共生作為群體性行為，可引起人們對事件的認知偏離事件的客觀真實，進而影響突發(fā)事件網(wǎng)絡輿情的走向和健康發(fā)展，并直接對社會穩(wěn)定和公眾心理造成嚴重負面影響。因此，在此背景下，本文研究突發(fā)事件中社交媒體用戶信息共生行為的影響機制，對危機信息的管控和治理具有重要意義。

然而，關于突發(fā)事件信息共生行為的形成過程，一方面，從眾理論強調，個體在受到外部群體引導或壓力的作用下，可導致人們出現(xiàn)從眾心理，從而遲疑和改變其自身原有的看法和判斷，以保持與多數(shù)群體成員相一致的觀點、判斷及行為[2]。而情感負荷是指用戶與信息交互過程中存在不確定性，并伴隨時間壓力而形成的壓抑性情感[3]。其中，用戶在信息行為過程中主要具有刺激、焦慮、沮喪和憤怒四種較為典型的不確定性情緒[4]。當突發(fā)事件產生后，由于用戶在信息交互過程中伴隨時間壓力而出現(xiàn)的不確定性，可產生用戶的情感負荷，并引起用戶的從眾心理，進而在用戶群體中出現(xiàn)信息共生行為[5]。另一方面，用戶黏性是指個體對產品或服務的忠誠、信任和良性體驗而產生的依賴性及再使用期望度。具有黏性的媒體用戶表現(xiàn)為用戶返回媒體平臺行為的頻率增高、訪問時間變長，且具有持續(xù)使用該媒體的特征[6]。因用戶黏性而產生對媒體的依賴性及持續(xù)使用行為，則可增強媒體中用戶群體間的人際關系強度與信任度。然而，用戶群體間的人際關系與高信任度作為社交媒體信息共生行為的重要影響因素，可增進社交媒體用戶信息共生行為的產生。因此，突發(fā)事件中，社交媒體用戶黏性與情感負荷可對信息共生行為產生重要影響，本文選擇研究三者變量關系及影響，對政府部門和媒體機構在突發(fā)事件信息管控和治理方面均具有重要意義。

在此背景下，本文主要研究了突發(fā)事件中用戶黏性、情感負荷及信息共生之間的內生影響，探索了突發(fā)事件中社交媒體用戶黏性、情感負荷及信息共生間的脈沖響應效應及邊際影響力；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。

2 文獻綜述

為了深入了解網(wǎng)絡用戶黏性、情感負荷及信息共生之間的影響機理，國內外學者針對該主題從不同的視角進行了研究和探討。

2.1 信息共生行為研究

國內外關于信息共生行為的研究較少，其中，目前，國內關于信息共生行為的研究主要針對信息共生的影響因素及影響路徑而展開。例如，董健等[7]通過捕獲社交網(wǎng)絡數(shù)據(jù)，發(fā)現(xiàn)信息共生大小分布遵循胖尾分布，信息的吸引力和影響力對共生大小分布具有重要影響。蔡國永等[8]通過對新浪微博的分析，將信息傳播的共生模型引入標記傳播樹（label propagation tree，LPT），構建了一種“標簽共生傳 播 樹（labeled cascade propagation tree，CALPT）”的信息共生模型。鄧衛(wèi)華等[9]研究了一個新浪虛擬社區(qū)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共生的深度和廣度的影響。

國外的相關研究，有部分學者主要從信息共生的過程進行探討。例如，Kaneko[10]研究了混沌網(wǎng)絡中信息共生的過程。研究結果表明，在部分有序的狀態(tài)下，簇的分裂和信息共生是同步平衡的，并在分叉參數(shù)的間隔內保持了邊際穩(wěn)定性。也有部分學者對信息共生的形成機理及演化機制進行探索。例如，Kim等[11]探討了中心性對社交網(wǎng)絡決策的社會影響，以及中心性如何導致網(wǎng)絡信息共生行為，研究發(fā)現(xiàn)，特征向量中心性與用戶信息共生行為在統(tǒng)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信息共生，在共生過程中，中心性的橋梁作用比其在關鍵位置的作用更具影響力。Zhang等[12]指出，網(wǎng)絡中存在共生效應，且不同的網(wǎng)絡可呈現(xiàn)強共生或弱共生效應，而由屬于BA變體的著名隨機演化模型生成的所有網(wǎng)絡均顯示強共生效應。因此，具有強共生效應的網(wǎng)絡存在開發(fā)BA變體的合理性和可能性；而弱的共生效應則表明使用BA模型的變體難以再現(xiàn)進化過程的合理性，甚至不可行。

2.2 用戶黏性對行為的影響

國內關于用戶黏性的研究，主要集中于其影響因素及形成過程層面。例如，陳曄等[13]引入自我建構理論，探討旅游虛擬社區(qū)用戶黏性與分享行為之間的關系。研究發(fā)現(xiàn)，用戶黏性對分享行為具有顯著正向影響，相依型自我對黏性與分享行為的關系具有顯著正向調節(jié)作用。鄢慧麗等[14]在TAM（technology acceptance model）和ECM（expectation-confirmation model）基礎上，引入營銷活動、轉換成本和網(wǎng)絡輿論三個影響變量。研究表明，營銷活動、技術接受、期望認同與轉換成本對用戶黏性均具有顯著的正向影響，負面輿論在期望認同與用戶黏性之間具有負向調節(jié)作用。趙青等[15]指出，網(wǎng)絡黏性行為是一種以重復、持續(xù)使用網(wǎng)絡產品和服務，且具有一定心理依賴特征的行為。運用探索性因子分析和驗證性因子分析工具，構建了包含十一個題目四個維度的網(wǎng)絡用戶黏性測評指標體系，并確定了不同程度黏性人群的劃分標準。黨伊瑋等[16]在抗拒理論的基礎上，探討了感知侵擾和自由威脅對用戶黏性的影響，發(fā)現(xiàn)沉浸體驗能有效提高用戶黏性。國外的相關研究主要集中于用戶黏性的形成機理及影響機制方面。例如，Huang等[17]指出，大量團購網(wǎng)站之間的激烈競爭導致更高的產品同質性，這使客戶可以輕松地切換到其他網(wǎng)站，并降低其網(wǎng)站的黏性和忠誠度。其中，系統(tǒng)質量、信息質量、服務質量和替代系統(tǒng)質量均對用戶黏性與用戶忠誠度呈正比關系，用戶的黏性和忠誠度與消費者的回購意向具有正向關系。Xu等[18]指出，統(tǒng)計數(shù)據(jù)表明，與中國其他類型的媒體網(wǎng)站相比，主流媒體網(wǎng)站的平均用戶黏性較低。為了深入了解該現(xiàn)象，構建了模型來檢查各種網(wǎng)站屬性對用戶黏性的影響，研究結果發(fā)現(xiàn)，媒體網(wǎng)站的屬性和用戶特征對用戶黏性的影響存在差異。Rong等[19]探索了在線視頻行業(yè)中用戶黏性的決定因素，發(fā)現(xiàn)可分配性資源對于用戶黏性至關重要，而價格并不是影響用戶黏性的重要因素。Kim等[20]使用一項美國智能手機用戶的在線調查數(shù)據(jù)來檢驗其所提出的模型，研究發(fā)現(xiàn)用戶對移動應用程序特性的感知，以及感知的普遍性、感知的信息性和感知的個性化，與移動應用程序的有效性具有正相關關系，從而導致黏性增加了積極的WOM（word of mouth）意圖。

2.3 情感負荷對行為的影響

目前，國內關于情感負荷的研究仍然較少，主要集中在情感負荷的定義和測量方面。例如，黃崑等[21]通過文獻調研與分析，追溯情感負荷理論提出的背景，分析了該理論的形成發(fā)展過程。情感負荷理論是綜合認知科學、情感神經科學、情感控制論和情感計算等多學科思想，情感負荷是一種消極的情緒，主要是刺激、焦慮、挫折和憤怒四種消極情緒隨著時間壓力而產生的一種不確定性。國外關于情感負荷的研究主要集中于情感負荷的影響、具體形成機理及影響效應方面。例如，Nahl[22]指出，人們會不斷地產生信息需求，其中，緊急的、持久的和長期的信息需求與情感負荷強度相關，會引起如急躁、生氣、焦慮和沮喪等情緒。當特定的信息需求沒能獲得滿足時，情感參與會導致其情感負荷的增加。?etin等[23]指出，情感是人類行為的重要組成部分，近年來，人們對認知負荷的興趣日益濃厚，但情感負荷的影響及其與心理功能的關系并未引起人們的足夠重視。針對學生對圖書館數(shù)據(jù)庫的使用情況，研究發(fā)現(xiàn)較高的情感負荷與數(shù)據(jù)庫關注難度存在關聯(lián)，可以查明挫折或情感負荷增加的具體位置。Nahl[24]研究了情感變量在信息行為中的存在和影響，并指出情感負荷是由不確定性和恐懼心理組成的復合變量，存在于各種復雜的信息任務中。通常認知評估得分低的人，情感負荷更高。較高的應對能力提供了顯著的情感優(yōu)勢，表現(xiàn)為更高樂觀、更強的自我效能感、更低的不確定性、更高的系統(tǒng)支持和接受度，從而用戶產生更低的情感負荷。Nahl[25]引入并定義了情感負荷的概念，并指出情感變量包括信息需求、偏好、態(tài)度、任務動機、不確定性、自我效能、滿意度以及對系統(tǒng)的忠誠度，這些情感變量之間存在動態(tài)和連貫的相互作用，可以應對和減少搜索過程中不確定性、沮喪、焦慮、刺激和憤怒的負面影響，以減少用戶情感負荷。

綜合上述文獻分析，一方面，過去的研究主要集中于用戶黏性、情感負荷和共生效應單變量特征與屬性的研究，而尚未存在用戶黏性、情感負荷及信息共生間關系的研究，這給本文對突發(fā)事件中社交媒體用戶黏性、情感負荷及信息共生之間的影響研究留下了空間。另一方面，過去雖零散存在關于變量間影響效應的研究，但尚未涉及采用從過程的動態(tài)視角，諸如對變量間的脈沖響應及邊際影響力進行分析，而進行邊際效應分析，則可以尋找到情感引導、共生監(jiān)控和偏差糾正的最佳“投入-產出”效率的應對策略。因此，本文將用戶黏性、情感負荷及信息共生置于同一理論框架下，作為系統(tǒng)結構進行模型建構，分析內生變量間的脈沖響應和邊際影響力，并研究各變量間影響效應在不同人口統(tǒng)計學群體間的差異性。

3 理論模型

向量自回歸（vector autoregression,VAR）是用以對多維時間序列中的一變量對另一變量動態(tài)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(shù)的自變量來建立模型，從而實現(xiàn)對變量間的相互擾動分析。

首先，本文將用戶黏性、情感負荷及信息共生之間關系納入同一理論框架，建構各內生變量相互作用、相互影響的動態(tài)VAR理論模型。其模型為

其中，sym為信息共生；load為情感負荷；stic為用戶黏性；k為內生變量滯后階數(shù)；εi為隨機誤差項。

在此基礎上，對VAR模型中的用戶黏性、情感負荷及信息共生之間脈沖響應（impulse response，ⅠR）進行分析，其脈沖響應結構如下：

其中，q=0,1,2,…;t=1,2,…,T；；表示εt協(xié)方差矩陣∑上的第j列元素；εt來 自yvariable,t=Φ1yvariable,t-1+…+Φ1yvariable,t-p+εvariable,t中的擾動列向量εvariable,t；Φi為系數(shù)矩陣，p為滯后階數(shù)。

同時，為了分析VAR模型中用戶黏性、情感負荷及信息共生變量間結構性沖擊對特定內生變量變化貢獻率（relative variance contribution，RVC），需對脈沖進行方差分解：

其中，j為對應的各影響因素；s為q的有限項取值；，q=0,1,2,…，t=1,2,…,T;。

其次，為了分析各內生變量每一單位數(shù)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(tài)變化過程，構建邊際影響力的狀態(tài)空間模型（state space model，SSM）。測量方程：

狀態(tài)方程：

其中，測量方程中的解釋變量為經協(xié)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(xié)方差矩陣var(ui1t)=Hi1t的連續(xù)的不相關擾動項，εijt為滿足均值E(εijt)=0和協(xié)方差矩陣var(εijt)=Hijt的連續(xù)的不相關擾動項。

最后，為了探索變量間關系在不同區(qū)域的差異性，本文構建了面板數(shù)據(jù)模型：

并根據(jù)

與

的統(tǒng)計值，以確定理論模型是隨機效應還是固定效應，是變截距模型還是變系數(shù)模型。

4 變量與數(shù)據(jù)

4.1 變量說明

本文對變量的測量主要是根據(jù)過去相關研究中建構的變量測量模型，并結合本文具體研究的內容和特征，通過對過去測量模型的結構調整、參數(shù)設置及關系重構，從而形成本文所研究的變量測量模型。由于測量模型主要基于過去已檢驗和運用的成熟模型，且又結合了本文的研究具體內容和需要進行了調整和改進，因此，能保障研究變量測量的效度和信度，從而保證結論的正確性和準確性。

信息共生：是指用戶群體、信息共變機制與環(huán)境協(xié)同共同作用的結果，使得信息共生后的整體能量大于個體信息能量的總和。即所有成員通過某些互利機制，有機地組合在一起，共同生存發(fā)展，從而使信息傳播效果產生“1+1＞2”的整體效應。該變量的測量主要采用認知詞典、語義規(guī)則及機器學習方法，結合卷積神經網(wǎng)絡（convolutional neural networks，CNN）模型對突發(fā)事件信息共生行為中的字符進行識別、提取he分類，并標注生成信息關聯(lián)度序列。同時，運用循環(huán)神經網(wǎng)絡（recurrent neural network，RNN）模型及貝葉斯神經網(wǎng)絡對信息共生中的信息詞匯進行擴展計算，形成信息的語義共變系數(shù)、情感共變系數(shù)、網(wǎng)絡節(jié)點關聯(lián)系數(shù)和信息流動共變系數(shù)，從而計算信息共生系數(shù)。

在突發(fā)事件中，針對某一時間節(jié)點，根據(jù)信息概率論理論，語義共生系數(shù)可計算為Cov(w1,w2)=。其中，C1與C2是語義分類系統(tǒng)中的類；w1∈C1；w2∈C2；C0為C1與C2共同蘊含（least common subsume）。情感共變系數(shù)、網(wǎng)絡節(jié)點關聯(lián)系數(shù)及信息流動共變系數(shù)分別表示為

與

那么信息共生采用

情感負荷：是指用戶與信息交互過程中存在不確定性，并伴隨時間壓力而形成的壓抑性情感。其中，用戶在信息行為過程中存在刺激（irritation）、焦慮（anxiety）、沮喪（frustration）和憤怒（rage）四種較為典型的不確定性情緒。具體而言，情感負荷可通過這四種情緒的測量值總和乘以時間壓力值進行測量，計算公式為AL=U[irritation+anxiety+frustration+rage]×TP；并且，Berger等[27]從操作化水平方面給出了式中的U、TP測量維度。U（uncertainty）表示信息檢索中的不確定性，不確定性越強烈，情緒消極程度也越高；TP（time pressure）是指時間壓力，借鑒了信息系統(tǒng)關于TP的提法，指出TP是檢索任務開始前，用戶對時間長度的期望與檢索任務結束后對時間長度之差[28]。在基于主題的細粒度文本情感分析中，主題詞和情感詞是由基于詞典嵌入的BⅠ-LSTM-CRF字抽取模型抽取出來，并在抽取后使用RP分層匹配策略獲得符合匹配要求的“主題詞-情感詞”。對于符合要求的“主題詞-情感詞”作出相應的情感分析即可獲得“主題詞-情感詞-情感傾向”三元組，這也是基于主題的細粒度文本情感分析的最終結果[29]。

首先，通過輸入觀察序列，即經過分詞處理的評論文本X={x1,x2,x3,…,xn}，計算出所有可能狀態(tài)序列的條件概率Y={y1,y2,y3,…,yn}，并將最大概率作為序列的輸出狀態(tài)，

其中，Z(x)是歸一化因子，

是所有可能狀態(tài)的條件概率之和[30]。使用樸素貝葉斯思想，對于情感集合中的某一種情感e，從詞粒度計算某條文本屬于某個情感類別的概率P(e|t)=，其中P(e)是任何一個文本屬于情感e的先驗概率分布。P(t|e)可進一步拆解為詞粒度情感計算，其中，W表示詞匯表中的所有詞，nume(x)表示詞匯x出現(xiàn)在類別e中的次數(shù)[31]。將上述計算的irritation、anxiety、frustration及rage的 情 感 值 代 入AL=U[irritation+anxiety+frustration+rage]×TP中，即可計算出情感負荷值，其中tdistance表示兩次情感負荷測量時間節(jié)點之間的時間距離。

用戶黏性：是指個體對產品或服務的忠誠、信任及良性體驗而產生的依賴性和再使用期望的程度。具有黏性的媒體用戶表現(xiàn)為用戶返回媒體平臺行為的頻率增高、訪問時間變長，且具有持續(xù)使用該媒體的特征。趙青等[32]提出可采取用戶對媒體持續(xù)使用時間、頻率和深度三個指標對用戶黏性進行測量。Danaher等[33]認為黏性可以借助用戶點擊網(wǎng)頁數(shù)量進行測量。Kim等[34]認為用戶黏性體現(xiàn)在用戶對媒體的親身體驗上，可采用點擊數(shù)據(jù)衡量用戶黏性?？傮w而言，用戶媒介持續(xù)使用時間、使用頻率和使用深度三項指標多為后來學者在研究中所采用。因此，本文構建了用戶黏性算式：

其中，α+β+γ=1；S(xi)表示第i個樣本的用戶黏性；Hi表示用戶i平均每天使用社交媒體的時間長度；Ni表示用戶i平均每天使用社交媒體的頻次；為用戶i平均每天使用社交媒體的頻次對樣本總體的標準化函數(shù)數(shù)值，表示用戶媒介使用的深度；表示樣本用戶對社交媒體的使用頻率均值；Si表示用戶對社交媒體的使用頻率樣本標準差；表示用戶i平均每天持續(xù)使用社交媒體的時間長度比值；表示用戶i平均每次持續(xù)使用社交媒體的時間長度比值；α、β和γ分別表示每天持續(xù)使用時間比值、每次使用時間長度比值和使用頻率系數(shù)對應的權重。

4.2 數(shù)據(jù)收集

4.2.1 事件樣本選取

通過對2015—2020年我國所發(fā)生的突發(fā)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(xù)性、危機影響力和危機破壞力6個維度作為選擇標準[35]，結合中央編辦國家事業(yè)單位“輿情戰(zhàn)略研究中心”歷年發(fā)布的典型突發(fā)事件進行綜合考量，最終確定選擇11個具有代表性的突發(fā)事件作為研究樣本，該樣本涵蓋了衛(wèi)生、檢法、汽車、交通、藥品、幼兒、餐飲、醫(yī)療、酒店、教育等大多數(shù)領域。一方面，由于所選突發(fā)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(lián)性，因此，公眾在事件上的參與程度整體上相對較高，從而可提高數(shù)據(jù)獲取的效率和數(shù)據(jù)的有效性；另一方面，由于所選突發(fā)事件具有不同性質，涉及教育、衛(wèi)生和安全等不同主題，而不同主題的突發(fā)事件在信息共生行為演化周期上存在一定差異，如有的突發(fā)事件信息共生行為演化周期較短，有的則較長。為了保障數(shù)據(jù)獲取時間長度的有效性，保證不同主題和不同性質的突發(fā)事件信息共生行為在不同時間節(jié)點基本處于同一階段或同一生命周期，因此，在樣本選取過程中，本文考慮了事件性質、事件重要性、涉及面等維度，并側重于具有“特定”性質的突發(fā)事件，而不將具有“長期性”社會問題的事件納入其中，這為了保證事件信息共生行為的發(fā)展、高潮和衰退周期長度的差異性較小，并降低數(shù)據(jù)有效時長可能出現(xiàn)差異化和行為周期不齊的情況。樣本分布特征如表1所示。

表1 突發(fā)事件樣本分布特征

4.2.2 數(shù)據(jù)獲取

當前，國內較為成熟的微博平臺主要有新浪微博、網(wǎng)易微博、搜狐微博和騰訊微博。其中，新浪微博是當前運營最成功，使用規(guī)模、訪問量、注冊數(shù)及使用率均為最大的微博平臺。2019年8月，中國互聯(lián)網(wǎng)絡信息中心（ChinaⅠnternet NetworkⅠnformation Center，CNNⅠC）發(fā)布的第44次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》顯示，自2013年開始，搜狐、網(wǎng)易、騰訊等公司對微博投入力度陸續(xù)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(wěn)定。

本研究采用網(wǎng)絡爬蟲技術對樣本數(shù)據(jù)進行采集。在其數(shù)據(jù)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(tǒng)一資源定位符）設置為爬行起始地址，采用廣度優(yōu)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(xù)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(xiàn)對網(wǎng)絡平臺的相關頁面信息進行抓取。

綜合考慮各突發(fā)事件樣本信息傳播過程的有效時長，確定對各樣本事件信息共生行為的跟蹤時間為21天。在數(shù)據(jù)搜集過程中，為了數(shù)據(jù)整理和表達的方便，本文對所獲取的數(shù)據(jù)進行了統(tǒng)一的編號處理，對每一位用戶及其轉發(fā)的信息賦予唯一的ⅠD編號。對數(shù)據(jù)進行清洗，包括對數(shù)據(jù)一致性、重復數(shù)據(jù)、無效數(shù)據(jù)、缺失值、錯誤數(shù)據(jù)等可識別的不符合要求的數(shù)據(jù)和文件進行審查、校驗、糾正和處理。經過數(shù)據(jù)清洗后，共獲得有效數(shù)據(jù)54793條，最后形成包含用戶黏性系數(shù)、情感負荷系數(shù)及信息共生系數(shù)三個變量的面板大數(shù)據(jù)。關于信息共生（sym）、用戶黏性（stic）與情感負荷（load）的描述性分析結果以及正態(tài)分布檢驗結果如圖1所示。

圖1描述性分析結果顯示，sym、stic與load序列的均值分布為0.195、0.448與0.337，其正態(tài)分布檢驗結果顯示，各變量的峰度及聯(lián)合檢驗的p值均小于0.05的顯著水平。因此，可拒絕樣本數(shù)據(jù)服從正態(tài)分布的原假設，即認為樣本數(shù)據(jù)不具有正態(tài)分布特征，故后續(xù)相關模型的構建將采用非正態(tài)分布數(shù)據(jù)的模型估計方法進行數(shù)據(jù)處理和分析。

圖1 描述性分析及正態(tài)分布檢驗

5 整體效應分析

5.1 VAR模型估計

在進行VAR模型構建前，本文需要進行Granger因果關系及穩(wěn)定性檢驗，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(shù)和結構設定上的正確性。對模型中的變量結構進行識別和檢驗，分析信息共生、情感負荷及用戶黏性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，在信息共生、用戶黏性及情感負荷之間的因果關系的排除檢驗中，各變量及兩兩變量聯(lián)合項的χ2檢驗對應的p值均小于0.05的顯著水平，可以拒絕不存在因果關系的原假設，表示信息化水平、產業(yè)集聚及創(chuàng)新績效相互間存在因果關系。因此，在VAR模型構建中，本文將信息共生、用戶黏性及情感負荷作為內生變量的變量設置是合理有效的。

在Granger因果關系檢驗的基礎上，根據(jù)LR檢驗，以及FPE、AⅠC、SC、HQ信息準則最小化的標準，VAR模型的最佳時間滯后長度為2期。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(wěn)定性檢驗。其單根穩(wěn)定性檢驗結果顯示，代表AR特征根倒數(shù)的模的點均落在單位圓內，表明所構建的模型均滿足穩(wěn)定性條件，說明所設置的模型均正確，無需重新構建。

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3所示。

由表3可知，VAR模型的三個方程中各項系數(shù)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(shù)R2值均大于0.90，表明所構建的VAR模型與樣本數(shù)據(jù)擬合度良好，該估計結果可用于信息共生、用戶黏性及情感負荷之間動態(tài)影響的相關分析。

5.2 脈沖響應

脈沖響應函數(shù)（impulse response function，ⅠRF）是用來分析VAR模型的一種方法，對模型中的每個變量間受到外界沖擊時，其他各變量對該沖擊所做的響應情況，包括響應的大小、響應滯后長度、響應的變化過程等內容。為了揭示用戶黏性、情感負荷及信息共生之間的動態(tài)擾動特征，在VAR模型估計基礎上，分別對情感粒度、信息流動及認知偏向進行脈沖響應分析。對應分析結果如圖2所示。

表3 VAR模型參數(shù)估計結果

圖2 脈沖響應分析

由圖2可知，在第一行脈沖圖中，當信息共生、用戶黏性及情感負荷受到一個正向沖擊時，信息共生迅速產生自相關沖擊，用戶黏性及情感負荷的每次沖擊帶來的影響并非迅速傳導至信息共生，而是在滯后第三至八期影響效應達到正向最大值，隨后呈逐漸減弱的趨勢，在整個過程中均呈現(xiàn)右偏態(tài)分布特征。其中，情感負荷影響效應最大，且較大值持續(xù)的時間最長；用戶黏性沖擊和信息共生自相關效應也較大。在第二行脈沖圖中，用戶黏性的自相關效應和信息共生的沖擊對用戶黏性均迅速產生影響，且影響效應均為較大的正向波動，情感負荷沖擊的影響并非迅速傳導至用戶黏性。其中，情感負荷的影響效應最大，信息共生與用戶黏性自相關效應的沖擊均較大。在第三行脈沖圖中，用戶黏性沖擊和情感負荷自相關效應對情感負荷均迅速產生正向影響，且影響效應均較大；而信息共生的沖擊并未迅速對情感負荷產生影響。其中，情感負荷自相關效應的影響最大，信息共生與用戶黏性的沖擊均較大。

關于用戶黏性、情感負荷及信息共生之間存在滯后脈沖影響效應，在突發(fā)事件網(wǎng)絡信息傳播中，當用戶黏性和情感負荷較大時，用戶可借助群體力量推動事件解決，以及通過群體進行情感分享以降低情感負荷，從而可產生較強的群體成員關系，并易于形成認知接近的大量內群體。在內群體中，成員會感到自己與群體的關系十分密切，并對群體具有強烈的歸屬感。成員經由所屬群體獲得其相應的利益和感知，并對所屬群體持有親切、安全、認同、熱愛和忠誠等情感，個體需遵守群體的規(guī)范、價值觀念等。在影響效應上，相對外群體而言，內群體對用戶的影響更加明顯。無論是在社會規(guī)范、行為方式，還是生活習慣上，個人都傾向于與所屬群體保持一致。因此，用戶黏性和情感負荷易于形成群體成員的從眾效應，進而形成信息共生。同時，當突發(fā)事件產生后，由于用戶在信息交互過程中伴隨時間壓力而出現(xiàn)的不確定性，可產生用戶情感負荷，個體的有限理性可引起用戶的從眾心理，進而在用戶群體中出現(xiàn)信息共生行為。

5.3 貢獻率分解

為了比較用戶黏性、情感負荷及信息共生相互擾動效應的大小，從而識別出不同影響因素對用戶黏性、情感負荷及信息共生影響的重要程度，需在上述各影響因素動態(tài)擾動特征分析的基礎上，分別對各影響因素的波動貢獻率進行方差分解，具體結果如圖3所示。

圖3 方差分解分析

由圖3可知，在信息共生方差分解中，前六期的信息共生自相關的影響較大且快速下降，情感負荷的影響相對較小且快速上升，其影響于滯后六期后趨向平穩(wěn)，用戶黏性在整個過程中對波動的貢獻率較小。對于整個過程，情感負荷對信息共生波動的貢獻率約為61%，信息共生自相關效應約為30%，用戶黏性影響效應約為9%。情感負荷對用戶黏性波動的貢獻率約為47%，用戶黏性自相關效應約為27%，信息共生的影響效應約為26%。情感負荷自相關效應對情感負荷波動的貢獻率約為65%，信息共生影響效應約為21%，用戶黏性影響效應約為14%。

6 邊際效應分析

6.1 邊際影響力

在上述脈沖波動分析的基礎上，為了進一步了解用戶黏性、情感負荷及信息共生之間的邊際影響力，本文使用狀態(tài)空間模型對各變量之間邊際影響力的變化過程進行分析，揭示用戶黏性、情感負荷及信息共生之間影響效應的波動過程特征。其狀態(tài)空間模型分析結果如圖4～圖6所示。

圖4顯示，用戶黏性與情感負荷對信息共生的邊際影響力變化呈倒U形拋物線特征。其中，用戶黏性對信息共生系數(shù)的邊際影響力先快速上升、后緩慢下降。情感負荷對信息共生系數(shù)的邊際影響力先波動上升、后快速下降。在事件演化過程中，情感負荷和用戶黏性對信息共生的邊際影響效應的均較大，且持續(xù)的時間均較長，約為八期。

圖5顯示，用戶黏性與信息共生對情感負荷的邊際影響力變化呈倒U形拋物線特征。其中，用戶黏性對情感負荷系數(shù)的邊際影響力先快速上升、后快速下降。信息共生對情感負荷系數(shù)的邊際影響力也先快速上升、后緩慢下降。在事件演化過程中，用戶黏性和信息共生對情感負荷的邊際影響效應的均較大，且持續(xù)的時間均較長，約為十期。

圖6顯示，信息共生與情感負荷對用戶黏性的邊際影響力變化呈倒U形拋物線特征。其中，信息共生對用戶黏性系數(shù)的邊際影響力先下降，其后快速上升，最后緩慢下降的特征。情感負荷對用戶黏性系數(shù)的邊際影響力先下降至第二期，其后快速上升，最后緩慢下降。在事件演化過程中，情感負荷和信息共生對用戶黏性的邊際影響效應的均較大，且持續(xù)的時間均較長，約為六期，即第五至十期。

圖4 信息共生邊際影響分析

圖5 情感負荷邊際影響分析

圖6 用戶黏性邊際影響分析

關于用戶黏性、情感負荷及信息共生間的邊際影響力呈現(xiàn)倒U形拋物線特征，即當邊際影響力達到一定數(shù)值后，則呈遞減特征。經濟學中的效應理論指出，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。而邊際效用遞減規(guī)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(shù)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(shù)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。因此，在網(wǎng)絡用戶對突發(fā)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，其邊際效用則達到最大值，其后隨著對信息消費的持續(xù)增加，用戶獲得的邊際效用則會逐漸減小，從而相應的信息行為和認知行為出現(xiàn)減弱的特征，即呈現(xiàn)倒U形拋物線特征。

6.2 群組差異性

由于各類用戶群體在社會角色和認知心理上的差異，從而導致不同性別、年齡和學歷的群體在用戶黏性、情感負荷及信息共生之間的影響效應上存在差異。因此，為了探索不同用戶群體間的差異性，本文采用面板數(shù)據(jù)模型對數(shù)據(jù)進行擬合和分析。

根據(jù)樣本數(shù)據(jù)計算出

與

的統(tǒng)計值，并查閱F分布表，結果如表4所示。在sym方程中，F(xiàn)2＞F2臨界值，且F1＜F1臨界值，故采用變截距模型能較好地對樣本數(shù)據(jù)進行擬合。為了進一步判定該模型是隨機效應還是固定效應，需要對模型進行Hausman檢驗。同時，Hausman檢驗結果顯示，對應統(tǒng)計量大于0.05顯著水平下的χ2臨界值，可以拒絕隨機效應模型中個體因素與自變量不相關的原假設，故應構建固定效應變截距模型。根據(jù)該方法，可判斷l(xiāng)oad方程需采用固定效應變截距模型，stic方程需采用隨機效應變系數(shù)模型。

本文使用Eviews 10.0計量軟件對模型進行擬合，其擬合結果如表4所示。

表4 群組面板模型擬合結果

表4擬合結果顯示，從縱向數(shù)據(jù)來看，根據(jù)各變量系數(shù)大小，對于信息共生方程，情感負荷變量的系數(shù)β1值呈現(xiàn)出大于用戶黏性變量對應的系數(shù)γ1值，表明情感負荷對信息共生的影響效應大于用戶黏性的影響效應。對于用戶黏性方程，情感負荷變量的系數(shù)β2值呈現(xiàn)出大于信息共生變量對應的系數(shù)γ2值，表明情感負荷對用戶黏性的影響效應大于信息共生的影響效應。對于情感負荷方程，用戶黏性變量的系數(shù)β3值呈現(xiàn)大于信息共生變量對應的系數(shù)γ3值，表明用戶黏性對情感負荷的影響效應大于信息共生的影響效應。

從橫向數(shù)據(jù)來看，對于信息共生方程，根據(jù)各變量系數(shù)大小，通過比較情感負荷變量的系數(shù)β1值和用戶黏性變量系數(shù)γ1值，結果顯示：對于β1值和γ1值，在性別群組中，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歲及以上群組最小；在學歷群組中，小學及以下群組最大，中學群組較大，大學及以上群組最小。

在用戶群組分析中，各影響效應存在人口統(tǒng)計學變量的差異性，該差異的產生主要原因可能是由于不同群體的社會特征和社會角色的差異性所導致。一般性信息行為理論指出，用戶的不同職業(yè)和社會角色會對人們的信息行為產生重要的影響，這些因素在某種程度上培育了用戶信息行為的不同特征。在性別上，兩性除了受到生理差異的影響外，更大程度上受到社會文化性別差異的影響。群體在性別上的生理差異經由社會規(guī)范、社會制度力量的作用以及歷代積淀的性別文化潛移默化的影響，從而形成了男女兩性在信息加工模式和信息行為上的差異性。在用戶年齡方面，年齡的大小通常體現(xiàn)了其在思維成熟度的差異性。同時，不同年齡階段的群體扮演著不同的社會角色，承擔著不同的社會責任，從而對不同年齡段個體的信息思維模式、認知方式以及行為特征產生重要影響。在用戶文化程度方面，由于教育學習是人們通過后天努力來改變和重塑自己思維和認知方式的重要途徑，高學歷者通過對更多科學知識的學習和更多正式的訓練，從而提高其對事物的認知和態(tài)度，相對于低學歷者，高學歷者對事物有著更審慎、更科學的思考和認知，使得不同學歷的個體在對事物的認知、態(tài)度以及行為上通常具有不同程度的差異性。

7 穩(wěn)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(wěn)健性，在VAR模型脈沖響應分析時，之前采用了殘差協(xié)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(xiàn)的變量上。現(xiàn)采用廣義脈沖方法替代，即構建一個不依賴于VAR模型中變量次序的正交化殘差矩陣。而在進行區(qū)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。兩種方法的估計結果及差異性檢驗如表5所示。

表5 穩(wěn)健性分析結果

在狀態(tài)空間模型中，其算法包括“Marquardt”和“BHHH”估計方法。前文采用Marquardt進行估計，可以提供數(shù)值非線性最小化解決方案?，F(xiàn)采用BHHH算法替代Marquardt，使用從上次迭代獲得的參數(shù)擬合值來運算多元變量模型的殘差項的方差與協(xié)方差矩陣，并運算新的搜索方向，以獲得收斂的最佳算法。兩種方法估計結果及差異性檢驗如表5所示。

根據(jù)表5穩(wěn)健性分析結果，采用上述替代方法進行模型擬合，不同方法模型擬合的各路徑系數(shù)p值均小于0.05的顯著水平，以及系數(shù)差異性檢驗p值均大于0.05的顯著水平。檢驗結果顯示，采用替代方法估計后的各模型參數(shù)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和分析結果具有良好的穩(wěn)健性。

8 結論與啟示

通過2015—2020年發(fā)生的具有代表性的11個突發(fā)事件面板大數(shù)據(jù)，探索了用戶黏性、情感負荷及信息共生之間動態(tài)影響，得出如下研究結論。

（1）當信息共生、用戶黏性及情感負荷受到一個正向沖擊時，信息共生迅速產生自相關沖擊，并呈現(xiàn)負向增加。用戶黏性和情感負荷的每次沖擊帶來的影響并非迅速傳導至信息共生，在整個過程中均呈現(xiàn)右偏態(tài)分布特征。其中，情感負荷影響效應最大，且較大值持續(xù)的時間最長，用戶黏性沖擊和信息共生自相關效應均較大。用戶黏性自相關效應和信息共生的沖擊對用戶黏性迅速產生影響，而情感負荷沖擊的影響并非迅速傳導至用戶黏性。用戶黏性沖擊和情感負荷自相關效應均迅速對情感負荷產生正向影響，而信息共生的沖擊并未迅速對情感負荷產生影響。

（2）在信息共生方差分解中，對于整個演化過程，情感負荷對信息共生波動的貢獻率最大，信息共生自相關效應較大，用戶黏性影響效應較小。在用戶黏性方差分解中，情感負荷對用戶黏性波動的貢獻率最大，用戶黏性自相關效應較大，信息共生的影響效應較小。在情感負荷方差分解中，情感負荷自相關效應對情感負荷波動的貢獻率最大，信息共生影響效應較大，用戶黏性影響效應較小。

（3）用戶黏性與情感負荷對信息共生的邊際影響力變化呈拋物線特征，情感負荷和用戶黏性對信息共生的邊際影響效應均較大，且持續(xù)的時間均較長。用戶黏性與信息共生對情感負荷的邊際影響力變化呈拋物線特征，用戶黏性和信息共生對情感負荷的邊際影響效應均較大，且持續(xù)的時間均較長。信息共生與情感負荷對用戶黏性的邊際影響力變化呈拋物線特征，情感負荷和信息共生對用戶黏性的邊際影響效應均較大，且持續(xù)的時間均較長。

（4）情感負荷對信息共生的影響效應大于用戶黏性的影響效應，情感負荷對用戶黏性的影響效應大于信息共生的影響效應，用戶黏性對情感負荷的影響效應大于信息共生的影響效應。情感負荷和用戶黏性對信息共生的影響，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。

關于用戶黏性對用戶信息共生行為具有滯后影響效應的研究結論，雖然過去未有與此相關的研究，但過去研究結論的推演或隱含的推論與本文的研究結論相吻合，可獲得相關研究的支持。弱關系理論指出，在人際關系較弱的社會系統(tǒng)中，人們可從廣泛的信源獲得更加多樣化的信息，刺激個體的想法使創(chuàng)新更加具有可能性，故在該類群體中不易產生從眾效應，其信息共生性也越弱。如果該系統(tǒng)主要由較強關系成員構成，用戶間具有較高的相似性，所獲得的信息具有較大程度趨同，那么通過強關系傳播的信息更可能局限于較小的社會空間范圍。由于人們習慣于通過該強關系圈子進行交流，個體主動獲取信息的信源范圍較小，且信息多樣化程度較低，其中多數(shù)信息具有相似性[36]。因此，當用戶黏性較大時，人們易于產生信息從眾心理，其信息共生性也越高。

關于情感負荷對用戶信息共生行為具有滯后影響效應的研究結論，雖然過去未有與此相關的研究，但過去研究結論的推演或隱含的推論與本文的研究結論相吻合，可獲得相關研究的支持。信息級聯(lián)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加具可信度和合理性，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，并與所參照群體的認知保持一致[37]。其中，影響人們信息級聯(lián)的一個重要因素為情感負荷，當個體存在較大情感負荷時，個體易受到外部群體的引導，導致人們的從眾心理，從而遲疑和改變其自身原有的看法、判斷和行為，以保持與多數(shù)群體成員相一致的看法、判斷和行為，從而對事物易于產生信息共生行為[38]。

關于用戶黏性、情感負荷與信息共生行為之間的邊際影響隨著時間的推移而存在規(guī)律性變化，且呈倒U形特征。雖然過去未有與此相關的研究，但過去研究結論的推演或隱含的推論與本文的研究結論相吻合，可獲得相關研究的支持。解釋水平理論認為，人們對心理距離較遠的事物更傾向于采用高解釋水平的核心、本質和去背景化的特征加以表征，而對心理距離較遠的事物則傾向于采用低解釋水平的次要、非本質和背景化的特征加以表征[39]。其中，心理距離會受到時間距離的影響，在突發(fā)事件中，時間距離越近，人們對事件的理解和接受程度的心理距離就越大；時間距離越遠，人們對事件的理解和接受程度的心理距離就越小。而心理距離的大小差異直接影響著用戶信息行為特征，因此，用戶黏性、情感負荷與信息共生行為之間的邊際影響會隨著時間的推移而產生規(guī)律性變化。同時，精細化加工可能性模型指出，說服個人態(tài)度形成或改變的過程有兩條路徑：一條路徑是個體會根據(jù)嚴謹?shù)倪壿嬎悸穼π畔⑸疃燃庸さ闹行幕窂?；另一條路徑是個體主要根據(jù)周圍的環(huán)境特征或線索對信息淺層加工的邊緣化路徑[40]。然而，突發(fā)事件發(fā)生后，隨著時間距離的不斷增大，用戶的心理距離逐漸變小，人們對信息的解釋由高水平逐漸向低水平轉化，采用的信息加工方式也由中心路徑演變?yōu)檫吘壜窂?。而中心路徑強化了用戶網(wǎng)格式信息加工路徑，邊緣路徑則強化了用戶點控式信息加工路徑，信息加工方式在從中心路徑向邊緣路徑演化的過程中，導致了用戶黏性、情感負荷與信息共生行為之間的邊際影響隨著時間的推移而呈現(xiàn)倒U形特征。

該研究結論對突發(fā)事件中用戶信息共生行為的管控和治理具有啟示意義。首先，由于用戶黏性和情感負荷對信息共生的沖擊影響效應較大，且情感負荷對信息共生的邊際影響效應稍大于用戶黏性的影響。因此，在信息共生行為的管控和治理過程中，應重點加強用戶情感引導和情緒疏通工作，尤其在突發(fā)事件發(fā)生的初期是情緒引導和情感擴散控制的最佳時間。同時，降低因用戶黏性而引起的不準確信息的快速擴散，以及因客觀信息披露不及時而導致用戶信息的共生效應，從而引起小道消息的快速和廣泛流動。通過對用戶情感的疏導和信息共生現(xiàn)象的管控，及時搶占網(wǎng)絡話語的主動權，降低用戶認知偏差的產生和聚變。其次，由于情感負荷的自相關滯后效應和用戶黏性的沖擊對情感負荷存在顯著影響，情感負荷沖擊和用戶黏性自相關效應對用戶黏性存在顯著影響。因此，通過對用戶情感負荷的監(jiān)管，既能減少用戶信息共生，又能降低用戶黏性的概率。同時，通過對用戶黏性的管控，既能減少用戶信息共生的負面效應，又能降低用戶因情感負荷增大而引起情緒極化的風險。也就是說，通過對突發(fā)事件中用戶情感負荷和用戶黏性的管控，可較好地實現(xiàn)降低用戶情感負荷、弱化用戶黏性、降低用戶信息共生三者之間的良性循環(huán)，實現(xiàn)關鍵影響因素的源頭性協(xié)同治理，從而大幅降低因用戶信息共生而引發(fā)輿情失控的風險。最后，由于情感負荷、用戶黏性及信息共生之間相互影響效應在不同用戶類型上存在差異，因此，在突發(fā)事件信息共生行為的治理過程中，對用戶信息共生行為可采取用戶細分差異化策略，根據(jù)不同用戶類型制定有針對性的監(jiān)控和管理措施。具體而言，在進行情感引導、用戶黏性管控及信息共生監(jiān)控過程中，在性別方面，應加強對女性用戶的重點監(jiān)控；在年齡層面，應重點加強對29歲及以下用戶的引導和監(jiān)管，其次為30～49歲的用戶。