人類網絡群體行為生命周期模型研究

呂 鵬

一、研究問題的提出

從信息社會到數字社會，互聯網空間逐漸成為人類活動主場域、主陣地。人類網絡群體行為日益受到關注，催生網絡輿情事件、飯圈現象、短視頻、慢直播等研究。在新時期，虛擬空間與實體空間兩大場域，共同塑造并承載著人類社會實踐[1]。兩個場域交織、映射、互動愈發頻繁，實體與虛擬難分彼此。人類網絡群體行為以網絡輿情事件為主要表現類型，持續引發公眾參與和社會關注。在線“吃瓜”、討論、評論等，成為網絡生活新常態。各界均對此予以高度關注，具體包括:(1)政府設立新機構應對網絡輿情。做好網絡輿情工作、維護虛擬空間秩序成為政府重點工作。2011年國家互聯網信息辦公室(網信辦)設立，各地成立相應部門。鑒于對公共安全、網民心態及社會秩序沖擊巨大，政府輿情回應具有迫切性。2016年國務院印發通知，首提政務輿情回應制度。2018年3月國家網信辦與中央網絡安全和信息化委員會辦公室合署。2018年國家進一步提出建立政務輿情回應問責制度, 要求評估效果[2]。各地政府都在不斷提升與互聯網打交道的能力(輿情回應)。截至2020年12月，經過新浪平臺認證的政務機構微博140 837個、政務頭條號82 958個[3]。作為輿情管理與網絡維穩部門，網信辦在政府治理中的權重逐年提升，政府工作流程隨之優化。(2)網絡對社會同樣產生深遠影響。不僅對政府，網絡輿情同樣成為個體公民(特別是名人)、企事業單位、社會組織等社會主體的壓力來源之一。輿情導致個體信息被網絡放大、被網民消費、被公眾施壓。在數字社會與互聯網世界，網絡輿情應對成為必備生存技能，絕大部分主體都需要提升輿情應對能力。(3)掌握人類群體行為規律是科學應對的工作基礎。近五年，人類群體行為如網絡輿情，逐漸變成主流研究對象，研究呈指數級增長。實踐表明，枉顧科學規律的僵硬干預如回避、刪帖、灌水等，不能解決問題，反而會激發矛盾。應尊重生命周期客觀規律，重視對微觀行為的挖掘，并進行科學應對。

人類網絡群體行為是眾多微觀行為體共同參與過程，是由個體表現出來且在群體中相互作用的結果。作為一種宏觀涌現，生物界、自然界、人類行為等的生命周期具有跨系統普適性[4]。生命周期，是指生物在形態或功能上經歷的一連串改變，如生理學家把人的生命周期分為生長發育期、成長期和老年期三個階段。人類網絡群體行為生命周期規律，存在學術界共識，例如網絡輿情“生命周期”包括醞釀、發展、爆發、衰退、消亡等過程[5]。而各階段劃分，存在細微差別，如薛瀾(2005)劃分為預警期、爆發期、緩解期和善后期[6]；張維平(2006)歸結為潛伏期、顯現期、演進期、緩解期和消失期[7]；陳安等(2009)分為發生、發展、演化與消退四階段[8]；謝科范等(2010)分為潛伏期、萌動期、加速期、成熟期、衰退期五個階段[9]；張磊(2015)也分為潛伏期、成長期、成熟期、衰退期四階段[10]。已有學者注意到生命周期規律可用于社會治理。例如，左蒙與李昌祖(2017)提出建立監測指標體系、建立預警模型、發展演化分析、傳播動力分析、輿情管控措施等[11]，但屬于初步探索，可重復性不足。關于生命周期原因與機制，一直存在相關討論。早期有意見領袖研究、“沉默的螺旋”理論等。近來，張一文等(2011)認為媒體、政府、網民、突發事件四個主體塑造生命周期走向[12]。曹學艷與張仙等(2014)認為輿情熱度與事件爆發度、網民作用度、媒體關注度、政府應對度等相關[13]。張淑華(2015)認為事件越敏感、越能快速引起聚焦、爆發網絡輿情事件[14]。許鑫(2016)認為，政府回應的主體、速度、形式和渠道，對網絡輿情衰退具有決定作用[15]。高危引爆點可以分為涉官、涉富、涉黃、涉暴、涉假、涉弱六類[16]。上述研究停留在理論探討、案例收集、實證研究層面，結論具有表面性、描述性、局部性，對微觀動力學機制認識、挖掘不足。本研究在理論上試圖整合生命周期的微觀動力學機制，在研究方法上提出ABM智能體模型，提升研究的可重復性。

人類網絡群體行為生命周期模型，旨在揭示宏觀涌現的底層微觀動力學機制，整合微觀行為與宏觀演化過程。具體回答:(1)哲學方法論與核心問題。哲學上，生命周期是增長與限制兩種機制的辯證統一。如果一直處在增長期，就不存在生命周期。這說明，核心問題不是增長機制，而是限制機制。(2)限制機制何時發揮作用？并非僅在峰值之后階段發揮作用，實際是全過程發揮作用。(3)單事件生命周期軌跡特征。穩健存在的生命周期全過程軌跡曲線，呈現壽命、峰值、曲線、相對位置等特征。整合相同特征信息的軌跡曲線如何重復地獲得？將通過仿真予以重現。(4)多事件生命周期事件之間互動關系。盡管生命周期規律不變，形態特征要受到他者影響。多事件之間，可能存在相互替代關系。大數據表明:某個(些)網絡輿情事件的衰落，往往伴隨另一個(些)事件的興起[17]。(5)總體限制性機制。激發性機制已經有研究，但限制性機制較少被關注，包括單個、多個事件。此外，共存性事件之間可能存在流量競爭關系，客觀上或主觀上，都在競爭性爭取網民關注。注意力機制，這可能是所有事件的總調節、總限制性機制。本文通過大數據挖掘、模型設置與仿真模擬，精準復現生命周期過程，回應理論關切。方法論層面，堅持大數據挖掘與仿真模擬雙向驗證，高精度還原單個事件與時間序列中多事件系統漲落起伏、交替演化過程。

二、文獻回顧與理論梳理

《周易·系辭》中說：“一陰一陽之謂道”。這里“陰”是限制性、約束性機制，“陽”是促進性、激發性機制。人類網絡群體行為正是在增長機制(陽)與限制機制(陰)共同作用之下，呈現穩健而持久的生命周期規律，即人類網絡群體行為之“道”。

(一)關于增長機制的因素梳理

人類網絡群體行為可追溯到人類群體行為研究。除了政治機會、人性假設、激勵機制等理論之外，重點關注數理模型(Formal Models)。經典人類群體行為模型有理性選擇、閾值行為、臨界群體、起立鼓掌等模型，為人類網絡群體行為提供模型支撐。針對網絡群體行為，還存在特定的激發性因素:(1)網絡匿名性。匿名性在《現代漢語詞典》解釋為“不具名或不寫真實姓名”。網絡匿名性是互聯網世界常態，很難將網絡表達主體與現實真實個體對應起來。比斯坦納的漫畫“在互聯網上，沒有人知道你是條狗”是一個形象說法。個人不必承擔現實社會中人與人面對面交往面臨的人情、道德、法律壓力，言行更具隨意性和原始性。網絡匿名性為社會矛盾、負面情緒甚至社會戾氣發泄提供了渠道，引發了網絡欺騙、越軌行為等[18]，催生輿情事件。(2)參與成本降低。與現實社會組織相比，網絡群體參與成本低、互動效率高，民間性、自愿性等特征明顯[19]。成本是行為者為獲得某種收益而付出的現在與預期的代價。通信技術發展大大降低了個人的參與成本、組織成本。互聯網進一步拓展了通信技術，突破了時空界限，信息成本、機會成本、“舞臺設置”成本大為降低[20]。在互聯網上發言、討伐、攻擊而不受處罰成為常態。(3)不受時空限制。移動互聯網更加劇了這一過程。打破既有時空邊界, 在社會交往、社會表達、社會分化等多個維度形塑了社會[21]。例如，熟悉與陌生的邊界變得模糊，社交媒體動員可形成社會關系。民眾可隨處入網參與網絡事件，催生網絡輿情爆發。(4)群體極化。經由群體討論之所形成的群體態度，比之前群體成員個人態度平均值更趨極端化[22]。相對于面對面交流，網絡輿情更容易出現群體極化[23]。目前，激發性機制研究相對充分，本文將重點挖掘限制性機制，包括冷卻機制、替代效應機制、注意力機制等設置。

(二)單一事件的冷卻與衰退機制

衰退期“少而熱”，話題相對集中[24]。但是，冷卻衰退機制全過程發揮作用。網民具有“游擊隊特征”：用點擊投票，喜歡就參與、不喜歡就退出。因此單個事件衰退，呈現“來得快、去得快”特征[25]。互聯網時代，鍵盤參與、拇指參與、彈幕參與成為新常態[26]。相關衰退機制有:(1)自然冷卻機制。事件本身存在自然衰退機制。指出隨著時間流逝，輿情自然呈現傳播次數下降趨勢。(2)內容吸引力衰減。在新媒體時代，網友更愿意做“吃瓜群眾”圍觀爆料。在很大程度上不關注問題本身，因此內容吸引力至關重要。隨著爆料減少，事件衰退成為必然。(3)問題被解決或明朗化。黃微等(2020)指出事件一旦逐漸明朗化，輿論主體就會失去參與積極性[27]。例如“羅爾事件”真相一清晰，網民立刻散去，熱度直線下降。(4)經濟成本壓力與其他壓力。輿情的推動需要付出經濟成本，事件占用的社會資源增加，便開始反作用于輿情傳播[28]。經濟成本壓力迫使個體在某個階段退出。此外，個體還存在政治、法律、技術等壓力源。(5)輿情主體參與度自然衰減。網民的參與程度決定事件“枯榮”，多次參與存在效用衰減規律，第一次參與時主觀感受十足，如新鮮感、刺激感等，第二次之后逐漸衰減，呈現“邊際效應遞減”。(6)傳播渠道最大化限制。特定社會技術條件下，網絡拓撲結構相對固定。用盡所有傳播渠道，就會出現傳播枯竭。負面事件還存在限制發布、限制轉發、限制評論等人為干預措施，傳播渠道被進一步限制。(7)平臺效用枯竭。權威媒體、新媒體、社交媒體等平臺存在“嫌貧愛富”機制，為了持續獲得網絡點擊與流量，會不斷推新，換掉“過氣”事件。

(三)多事件互動的替代效應機制

除了單個事件衰退，還存在多事件互動。新事件在發生后，通常會將網民關注從其他事件吸引、轉移至該新事件，使自身成為新晉熱點事件。可見，系統內多事件存在替代機制:(1)替代效應具有普適性。“替代效應”原本是經濟學名詞，指由于商品價格上升而引起其他商品對其取代的現象[29]。替代效應具有普遍性，包括人對人替代、商品對商品替代等。替代機制在網絡輿情中也存在。一件突發事件發生后，引起公眾關注，公眾在好奇心驅使下關注新事件，舊事件的關注度下降。新事件的替代，加速了舊事件衰退，俗稱“引流”或“導流”。(2)替代效應的穩健性與雙刃性。互聯網世界每日都會發生多起事件，替代效應是一個連續存在的穩健過程。因為持續存在新事件的吸引和引流作用，舊事件衰退與被替代具有必然性。替代效應是雙刃劍。新事件替代舊事件，加劇生命周期循環。在長區間內，會出現眾多生命周期軌跡疊加演化的軌跡曲線集合。(3)替代效應與生命周期疊加作用。替代效應不影響生命周期，但導致沖頂加快、提前結束。實際上，我們所觀察到的是生命周期的疊加狀態。除了替換效應外，還存在平行上升、同起同落等獨立效應[30]。所謂獨立效應，實際是網絡輿情事件的生命周期規律。

(四)注意力分配的總限制機制

無論單事件關注度衰減(冷卻衰退)，還是多事件互動(替代效應)，注意力分配都起總的決定性作用，因為：(1)注意力是進化心理學基礎。注意力是進化心理學基本概念，指人將意識指向、集中于某事物的心理活動與過程[31]。注意力是生物界包括人類為了生存發展進化出來的思維過程，背后是一種基于進化的效率機制與本能。生物需要從關注眾多目標過渡到聚焦少量重要目標，減少不必要能量消耗，提高效率。人類亦然，注意力集中到復雜場景中少數對象，忽略看似明顯或暫時無關對象，可提高行為效率。(2)注意力具有跨領域性。馬奇(March)指出“注意力集中的能力是有限的。人們不可能同時關注所有事情：接收信號過多，決策相關事情過多”[32]。注意力是一種稀缺資源，由于資源、能量、能力、條件、階段等限制，人必須要區分輕重緩急。分類、分層、分階段等，都屬于常見分配行為。(3)注意力分配的多層次性。時間社會學領域，注意力分配包括宏觀、中觀、微觀三個層面。微觀層面，專注從組織時間到個體時間；中觀層面，專注從社會時間到組織時間；宏觀層面，專注從天文時間到社會時間[33]。(4)總量約束與網民注意力分配機制。基于個體注意力的有限性，網民注意力同樣存在總量限制，這是生命周期的總根源性機制。截至2019年6月，我國網民規模8.54億[34]。國民即網民，人手1～2部智能手機。在經濟與產業形態上，注意力機制衍生出“平臺經濟”“流量經濟”新業態。從任一事件到整體網絡，網民關注度總是有限的。注意力總量限制是人類網絡群體行為呈現生命周期規律的總根源。因此，網民的精力、關注、點擊、轉發、點贊等均存在總量的約束性。

(五)人類網絡群體行為生命周期動力學機制整合

在網絡輿情方面，典型涌現場景為：特定時間內，出現一系列網絡事件，網絡事件均有生命周期與峰值特征，盡管峰值高度、軌跡走勢等存在異質性。基于衰退機制、替代效應機制、注意力分配等機制，可在理論上實現動力學機制整合:(1)網絡輿情事件具有常態性、隨機性。每天都在發生事件，持續引發網民關注、點贊、評論、互動、轉發等網絡群體行為，但眾多事件中存在“頭部效應”[35]。全國性熱點頭條事件，每天只有1～2個，這體現出一種極化分布。(2)生命周期具有穩健性與形態特征異質性。生命周期規律具有穩健性，具體事件的生命周期存在形態與軌跡異質性。主題方面，可能受到議程設置等影響，出現具體差異。李靜等(2020)認為事件屬性、媒介傳播、網民參與、政府干預等都會影響網絡輿情熱度[36]。這些因素，只影響具體事件的生命周期形態、特征走勢，不會消滅生命周期規律。(3)生命周期是“陽”與“陰”兩種力量共同作用的結果。關于促進性力量，已經有很多討論。限制性、制約性力量的梳理，以及基于此理論的ABM仿真建模，是本文的創新性理論貢獻。限制性機制是求解生命周期的核心鑰匙，均穩健地存在。單一事件主要受到冷卻機制影響(生命周期是自然趨勢與形態)。但事件不是孤立存在的，必須分析多事件互動。重點是替代機制，需要研究這種實際趨勢或現實形態。整個互聯網場域多事件系統，都受到網民注意力資源總量的限制，分配越多，生命周期特征(壽命、峰值等)越發突出。

三、生命周期動力學特征與ABM仿真模擬

上述機制研究多停留在理論分析、統計分析、案例挖掘階段，可重復性不足。本文進行理論與方法創新，將整合性機制納入仿真模型。

(一)現實仿真目標大數據特征挖掘

具體包括:(1)數據來源。通過“知微事見”平臺提取網絡輿情事件生命周期軌跡。Y指標為總發文量(綜合熱度)，X指標為自然天。平臺收錄短時間內高傳播量、長期保持一定傳播量、社交媒體熱議等事件[37]，已支撐學術論文發表。因為事件眾多，故選擇社會熱點類，2019全年共有147個案例(生命周期趨勢見圖1A)。(2)總體趨勢考察。生命周期高度具有異質性，峰值越高，發文量越多、關注度越高。生命周期壽命中，僅有一例持續21天，其余均為4～11天；全年僅有24天未發生網絡輿情事件。事件之間存在共存與交叉(替代效應)，初步印證網民注意力有限。(3)考察替代效應機制。并存的生命周期軌跡曲線之間存在交叉，相鄰峰值之間存在時間差。初步表明相互之間存在注意力分配負相關，說明注意力總量是固定的。(4)考察注意力機制。網民注意力資源具有隨機性，圍繞均值上下波動。見圖1B，每日關注總量對數近似服從正態分布(去極端值)。說明每日關注度存在均值效應與總量限制。(4)時間序列分析。如圖1C，每日匯總關注度的自相關圖緩慢單調遞減，出現拖尾，原始數據為非平穩序列。周一到周日季節性因子結果為1.156 11、0.928 49、0.976 51、1.063 98、0.995 06、0.961 74、0.918 11。說明就社會熱點事件而言，網民注意力在周一與周四分配較多。如圖1D，采取一階差分處理后通過檢驗，獲得平穩序列。進行Ljung-box隨機性檢驗。H0為序列不相關，Ha為序列相關。P-value=0.49>0.05，即為序列不相關(白噪聲)。說明網民注意力資源具有恒定性。基于平穩序列進行趨勢預測如圖1E，每日總發文量即總熱度數據未來也是在一近似常數極小值范圍內波動。這再次支撐了網民注意力的總量具有恒常性與定數。

圖1 2019社會類輿情事件趨勢特征大數據考察(N=147)

(二)生命周期仿真建模與智能體參數設定

網絡群體行為影響因素眾多，涵蓋主體客體、相關事件、輿情空間、新聞媒體、社交媒體、意見領袖等[38]。這就需要在確保效果的前提下，總結、抽取、提煉出上述核心行為機制，進而構建多主體互動過程[39]，復現生命周期涌現。在NetLogo軟件中，智能體Agents包括靜態智能體Patches、動態智能體Turtles。關于此，陳永國等(2014)僅用Patches模擬網民行為[40]，行為機制過于簡單。胡瓏瑛等(2016)在SNO模型中設置網民、媒體、政府三類智能體[41]。但主客體涵蓋不足，主體類型眾多，包括普通網民與網絡大V等；客體同樣類型眾多，除政府之外還有單位、組織、個人等。鑒于上述智能體設置得失，本研究偏重動態屬性與互動過程，設置三類本質行為體:(1)互聯網空間。使用靜態Patch模擬互聯網環境。本研究側重考察普適性、代表性、穩健性，使用Patches構建整個網絡空間。網絡世界設為正方形(邊長101)，總面積101*101=10 201(Patch2)。上下與左右連通，刻畫互聯網世界滲透性、連通性等拓撲結構特征[42]。總運行時間為Ticks，每一步自動加一。匹配一年時間，每Tick代表一小時，每次仿真365天=8 760Ticks。(2)動態網民智能體Netizens。任立肖等(2014)基于無標度網絡，增加新網絡節點[43]。這是靜態設置，限制了微觀自主行為，本文設置網民自由移動。根據第44次《中國互聯網絡發展狀況統計報告》網民增勢已經放緩。截至2019年6月規模為8.54億，較去年僅增加1.6%[44]。基于人口生育率下降[45]，網民規模長期將大概率穩定，一年內更加不會出現大的變動。設置網民數量固定值，在500以下區間。網民帶有“訪問目標”屬性，刻畫其關注特定事件(點擊、訪問、互動、參與等)。Netizen可移動并訪問熱點事件。(3)構建熱點事件智能體(Hots)。現有研究多將網絡事件視為一種靜態性、被動性結果。本文視其為具備生命特征的智能體。盡管具有突發性與隨機性，但網民注意力有限，事件存在總量限制。每天頭條熱點不超過3～5個。設置事件保有量在1～10范圍。事件屬性“熱度值”(pop)表征關注熱度高低。被訪問次數越多，熱度越高。系統中不斷有新事件按照一定概率水平(hot-growth-chance)生成。新事件生成后，就可以被網民訪問。每訪問一次，熱度值隨機增加(add-per-pop)在1～100范圍可調節，見圖2。網民訪問存在效應異質性。為體現網民、意見領袖、媒體等不同類型行為體貢獻度，引入隨機權重系數wit∈[0,1]。本文追蹤智能體、隨機生成權重系數，具有動態性、隨機性、自主性、智能性。周惠子與張杰(2019)認為隨著移動智能終端與自媒體普及，不相關網民也通過自組織聚集形成共同體，引爆網絡輿情[46]。個人和意見領袖之間界限變得模糊。個體均有機會在特定事件中扮演領袖角色，本文設置更符合現實。(4)生命周期過程。如果行為機制真實合理，仿真結果將高精度呈現生命周期規律。在模擬過程中，動態計算事件k在每個時刻t熱度值，作為事件的生命周期全過程取值，簡稱生命力。熱度值降到零，事件即死亡。同時，不斷有新事件生成，眾多生命周期軌跡在系統中生生不息、新陳代謝。相關參數與行為規則設置詳見表1。

圖2 智能體設置與ABM仿真過程

表1 模型主要參數說明

(三)動態行為規則與ABM智能仿真流程

仿真運行流程包括:(1)初始化與智能體設置。生成互聯網世界、網民智能體、事件智能體等。初始事件數量為1。基于網民數量穩定[47]，注意力總量有限，設置進入穩定更替期保有5～6個事件。不足5個則生成新事件補足。(2)網民追熱點。網民追熱點即尋找目標納入屬性值Goal，存在兩個模式。第一是隨機事件目標。刻畫網民在日常生活中盲目、隨機、無序、持續地刷新聞、追熱點等行為。第二是受鄰居即社會網絡影響。鑒于網民的相互影響真實存在，在模型設置方面，綜合兩種目標搜索與訪問模式。網民優先追隨鄰居網友路徑。在自身一定距離半徑(netizen-vision-dist)內尋找。如有，則跟隨其路徑去訪問事件。刻畫因朋友、熟人分享而引發的連鎖圍觀行為。頭條、榜單、熱搜、朋友圈轉發等都是現實表現。否則，采取第一種即隨機訪問。(3)停止訪問與轉向新目標。邊際效應遞減普遍存在于人類社會活動中。例如王家坤等(2019)發現，控制策略在輿情初期邊際效用最大，在后期邊際效用接近零[48]。基于邊際效用遞減，事件多次曝光，網民傾向于感到厭倦。因此，應設置訪問次數總量限制。個體最大訪問次數為變量X(初始X=1)在1～5之間隨機取值。個體訪問事件達到X次之后(具體X取值在不同仿真模擬進程中存在隨機性差異)，不能訪問即不再增加該事件熱度，轉而關注并訪問新事件。

(四)生命周期動力學過程的數學表達

(1)

(2)

(3)

Parameters(*)=ArgMin(Δ)=ArgMin[fsim(·)-freal(·)]

(4)

(五)基于現實大數據匹配求解最優參數解

參數設置與過程仿真，以擬合現實大數據為核心。唯其如此，才能實現生命周期動力學機制驗證及表明仿真切實提取了核心機制。現有研究多考察不同參數取值導致的宏觀演化仿真結果，具有隨意性。本研究基于仿真與現實最優擬合，求解最優解，具有創新性。基于前述大數據特征構建待擬合目標函數fsim(·)，通過參數譜系化遍歷獲得仿真結果fsim(·)。相關參數變量在范圍內譜系化遍歷：網民數量netizen-count從1開始每次增加50，最高N=500；網民訪問熱點事件增加熱度值add-per-pop從1到100，公差為1；事件熱度固定損耗deduce-per-pop從1到100，公差為1；事件保有數量large-hots從1到10，每次增加1；事件生成概率hot-growth-chance從1%每次增加1%到最高10%；網民搜索鄰居的視野半徑netizen-vision-dist從1到100每次增加1。每一組特定參數組合，產生一次仿真結果。依據參數譜系設定，仿真運行1萬次。每一次重復10次，求取穩健性均值仿真結果fsim(·)。遍歷與仿真一共10萬次。計算全局擬合度指標即二者差值Δ=fsim(·)-freal(·)。在差值最小處獲得可行最優參數解Parameters(*)，進而實現最優化匹配與高精度仿真。所謂“可行”是指基于10萬次仿真并擬合特定大數據對象特征所得，即最優解有效性具有條件性。表2最優解參數取值是對大數據對象最優復現：網民智能體數量為100單位即netizen-count=100，網民訪問一次增加add-per-pop為15個單位熱度，固定冷卻損耗deduce-per-pop為11熱度，新事件生成概率hot-growth-chance=30‰，最事件保有量large-hots=4個，網民搜索范圍netizen-vision-dist為12個單位距離。

表2 ABM仿真模型可行最優解參數取值

四、生命周期仿真最優解與大數據匹配度考察

存在最優解只能說明擬合具有有效性，還需要考察穩健性。故基于最優參數解附加50次重復模擬，綜合考察重復穩健性、擬合有效性。考察結果令人滿意，有效性與穩健性均通過匹配性檢驗。基于趨勢比較、形態比較、數據比較等特征擬合，對現實目標函數fsim(·)與仿真結果fsim(·)進行匹配性驗證。單個事件方面，涉及曲線形態、峰值高低、峰值時點、壽命長短等，包括絕對值和相對分布等；多事件方面，包括涌現數量、趨勢比較、峰值間隔、替代間隔、峰值差值等。

(一)考察相同時間事件涌現數量匹配度

圖3 最優解仿真模擬涌現數量分布匹配(N=50)

最優解仿真產生50次平行結果，據此獲得任一參數變量觀測值分布(N=50)。如果行為機制設計合理，最優解仿真至少應滿足三項：既要復現每一個事件生命周期過程，也要復現多事件交織替代動態過程，還要復現系統宏觀涌現特征。首先在系統宏觀層面上，仿真涌現與真實觀察是否匹配。大數據案例與仿真過程的時間相同，均為一年。因此第一個直觀指標，側重考察涌現數量匹配。又因為現實是某一次觀測，仿真是50次平行結果。轉為考察仿真結果分布特征。如圖3，仿真接近完美地吻合了現實。本研究從三方面考察:(1)準確性。仿真均值Mean=144個事件，現實為147，二者相差3個。誤差占絕對值2%，微乎其微。標準差SD=5.19，誤差3在一倍SD之內。(2)穩健性。如圖3分布特征，趨中性良好。說明行為機制具有合理性、有效性、穩健性，不存在突變相變等非線性情況與系統性震蕩，仿真結果靠攏均值。(3)可預測性。除了趨中性，分布對稱性同樣良好，可視化Q-Q圖檢驗表明，大概率服從正態分布。可基于均值Mean與標準差SD計算并獲得經驗概率密度函數(Empirical Density Function)完全信息。

(二)宏觀演化軌跡匹配：生命周期涌現的宏觀考察

圖4 生命周期涌現特征與仿真模擬最優解呈現

(三)生命周期壽命與分布匹配：網絡輿情持續天數考察

首先考察壽命均值吻合，進而考察分布特征吻合:(1)壽命均值匹配度考察。采用卡方檢驗考察擬合度即壽命均值是否存在顯著性差異。原假設H0二者相等，H1不相等。拒絕域為0.05，雙側檢驗。仿真數據第一組，現實為第二組。計算卡方值χ2=0.011，P-value=0.683>0.05。不能拒絕H0即認為二者壽命不存在差異。基于均值無差異，考察分布匹配度才有意義。(2)壽命離散型分布匹配。采用離散型與連續型兩種形式考察分布匹配度。現實壽命絕大多數在2到12天區間，4～11天高密度集中。圖5A、5B、5C考察離散柱狀圖分布。圖5是實際壽命分布，5B為仿真50次結果，5C為仿真50次均值。可見，仿真與現實分布匹配度良好。一是分布柱狀圖整體形態匹配度極高；二是雙側極端值分布匹配，2天與12天概率都低；三是高密度區間匹配均為4～9天；四是細分天數分布考察，均有8天>7天>6天>5天>4天>3天>10天的一致性順序。(3)壽命連續型分布匹配。時間可以無限細分，如果換算到小時，還存在2.5、2.75、8.025天等情況。同時需要排除柱狀圖寬度不同導致結果差異的可能性。因此，為進一步增強說服力，采用連續型概率密度函數，保持任意非整數天都有意義。對應5A、5B、5C離散型分布，圖5D、5E、5F采用連續型概率密度核函數(Kernel Density Function, KDF)。圖5D真實壽命分布核密度曲線與仿真曲線完美匹配。圖5E為50條核密度曲線，匯總計算核密度曲線得到圖5F。圖5E、圖5F無論整體趨勢還是局部軌跡特征，都高精度完美匹配。這表明，ABM仿真模擬大概率抓住了核心行為機制。

圖5 網絡輿情事件壽命分布匹配性考察

(四)生命周期峰值與形態等匹配性驗證

圖4與圖5已經驗證了仿真有效性與結果穩健性。生命周期函數包括壽命，均為宏觀面結果。我們繼續對生命周期予以細節考察。生命周期在X軸核心指標是壽命，在Y軸核心指標則是峰值。有了峰值與壽命，就可以刻畫生命周期本質過程即畫三角[49]。峰值與壽命同等重要，在各自維度上共同決定生命周期形態特征，即三角形長什么樣。具體細化考察：

(1)峰值Peak絕對值匹配性考察。通過引發社會關注、施加輿論壓力、促進問題解決等[50]，峰值在很大程度上決定網絡輿情事件能否取得預期效果。兩方面考察仿真與現實峰值(對數)。第一是考察均值匹配。現實峰值分布如圖6A，均值Mean=-0.90、標準差SD=0.116。仿真峰值分布如圖6B，均值Mean=-0.62、SD=0.096。統計上不存在顯著性差異。第二是分布特征匹配。二者峰值范圍都在區間[-1.5, 0]，高度吻合。考察圖6A真實峰值分布與圖6B仿真峰值分布，發現二者趨中性均良好。Q-Q檢驗發現，二者均大概率接近正態分布。同時又鑒于X軸數值范圍一致，二者峰值無顯著差異，充分說明仿真匹配度良好。

(2)多事件替代效應與峰值間隔匹配度。若干事件生命周期疊加與互動，構成了一個整體性系統涌現。生命周期在高度上以峰值為核心特征，衡量最大影響力與社會沖擊力。可以從峰值出發，考察多事件替代機制。如果該機制存在，應在仿真過程與真實大數據同時體現。基于注意力分配，同期或近鄰事件之間的替代力度無疑最大。這可以用相鄰峰值時點差值來刻畫，如果差值特征清晰，可必然存在連續而穩定的替代過程。不失為替代效應穩健性存在的可行檢驗方法。圖6C為現實大數據中相鄰峰值天數差值分布。均值Mean=2.47，標準差SD=5.610。說明現實某事件替代前一事件平均需要2.47天。圖6D為50次仿真模擬所得分布，均值Mean=2.30，SD=4.923。仿真事件替代舊事件平均需要2.3天。當然，還可以根據均值與標準差推算任意替代天數概率水平。比較二者，取值范圍重合，統計上無顯著性差異。二者分布特征形態高度吻合。高密度值都在第1天左右，均存在右長尾，Q-Q檢驗發現分布形態亦高度相似。這說明，替代機制穩健存在。仿真不僅復現了現實替代機制，而且實現不可追溯微觀行為過程的精準還原。

圖6 峰值高度與峰值間隔分布匹配性

(3)生命周期形態特征與相對峰值時間(TP/Span)考察。相對峰值時間是峰值時刻(Peak’s timing)占總時間即壽命Span的百分比。其在很大程度上刻畫生命周期軌跡形態，具有社會與政策含義。比值越大，峰值出現越晚。比值越小，出現越早，突然性越強。可以通過估計方法穩健預測峰值何時出現。對于事件當事人、應急管理部門等主體，都有實踐指導意義。他們應在峰值日前后做好心理、物質等充分工作準備。如圖7A現實百分比均值Mean=0.56，標準差SD=0.007。說明現實大概率在56%進度出現峰值。圖7B仿真百分比均值Mean=0.62，標準差SD=0.009。仿真大概率在62%進度出現峰值。比較二者分布，取值范圍完全吻合均勻，統計上無顯著性差異。并且二者分布趨中性良好。Q-Q圖表明二者分布均大概率接近正態分布。再次印證，仿真與真實生命周期形態高度匹配。

(4)生命周期形態特征與相對峰值力量考察(Peak/Total)。考察峰值當日參與度占總參與度之例。Peak代表峰值處參與量，Total代表總量即總參與量、總能量釋放等。Peak/Total刻畫表示峰值比例即相對力量大小。比值越大，事件越突兀、越突然，峰值沖擊力越大。比值越小，峰值沖擊力越弱，越傾向于平緩釋放與均勻發力。圖7C現實均值Mean=0.37，標準差SD=0.010，說明峰值力量貢獻度為37%。圖7D仿真中均值Mean=0.30，標準差SD=0.008，說明相對力量為30%。二者分布趨中性均良好，都接近正態分布。真實分布更加接近，仿真存在一定右偏。考察取值范圍，發現完全重合均為[0.1, 0.6]。統計上亦無顯著差異。

圖7 相對峰值與生命周期形態特征匹配

五、結論與思考

生命周期模型在微觀層面抓住了人類網絡群體行為的核心機制，在宏觀層面實現對生命周期的高精度仿真與動態過程復現。有如下結論與思考:

(1)科學認識人類網絡群體行為“生命周期”宏觀涌現規律。人類網絡群體行為以網絡輿情為主要表現。由于缺乏“生命周期”規律認知，很多人面對網絡輿情“如臨大敵”，視其為“洪水猛獸”，一旦發生，第一反應就是壓制與干預。鄒紅軍等(2018)關于北京中關村二小欺凌事件研究揭示，學校及地方教育部門在事件初期采取忽視、壓迫態度希望阻止事件發酵[51]。如果掌握科學規律，就會發現這些策略都是“過度防御”。互聯網每天都在發生眾多熱點事件，都存在生命周期，如“七天傳播定律”。及時正面回應是解決輿情熱點、降低沖突風險的關鍵[52]。人類網絡群體行為生命周期理論將更好地指導政府、企業、組織、公民等社會主體全局地、科學地、精確地預測、應對、發起網絡群體行為。

(2)個體微觀行為支撐人類網絡群體行為宏觀演化。作為一種宏觀系統層面涌現，人類網絡群體行為必然被微觀行為支撐，網民是主要微觀行為體。理論研究與數據挖掘范式具有經驗性、隨意性，已經出現對可重復性危機的關注。研究發現：國外可重復性研究占比54.9%；國內占比19.1%，約37%存在不規范現象[53]。ABM多主體仿真為解決可重復問題提供了解決方案。本文構建網民與事件兩類微觀智能體，設置自主行為機制(冷卻機制、替代機制與注意力機制)實現高精度擬合。整個仿真模擬過程不僅可控，而且全部結果可重復、可追溯、可比較。不會因為研究者主觀理解不同而導致結果差異。ABM仿真切實保障了過程與結構的有效性(效度)與穩健性(信度)。

(3)重視冷卻效應、替代效應、注意力轉移等微觀行為機制。仿真研究表明，網民至少存在三種微觀行為機制：第一，冷卻效應穩健地存在。任何網絡事件，效用必然隨著參與次數增加而遞減。多次看到雷同信息，傾向于不感興趣、不再關注。事件存在自然冷卻過程，不必擔心熱度會居高不下。第二，替代效應是事件衰敗的加速器。盡管存在自然衰減冷卻過程，但并存、并發事件所導致的網民關注度即流量轉移，加劇了衰減效果。新舊事件之間存在穩固的替代關系。舊事件被新事件替代將加速生命周期終結。第三，注意力總量的限制性。如果冷卻效應和替代效應均失效，注意力總量限制也會導致生命周期出現。上述行為機制，深刻地塑造了生命周期的形態與軌跡。

(4)努力提升輿情管理科學性與精確性。基于“流量動力學”，生命周期ABM模型既能評估干預策略效果，也可通過政策模擬指導或發現更有效的干預策略。人工干預，不能消除生命周期，但可局部改變軌跡與特征。人工干預包括:基于替代機制的干預。在網上釋放、制造熱點事件，沖淡既有事件影響力，抑制其熱度，促使生命周期提前結束。亦可遏制新事件，延長既有生命周期。根據語義距離干預。仿真發現位置接近事件之間干擾與“引流”效果突出。相同主題易被同類網民關注。可精準吸引關注，實現“精確導流”，如釋放相同主題新事件，加速目標事件平靜；抑制釋放，延長目標生命周期。根據注意力分配干預。常用方法包括：議題設置、精準營銷、算法推送、內容創新、流量固粉、網絡辟謠等。

(陜西科技大學博士研究生張剛對此文亦有貢獻)