基于SEIR模型的輿情傳播和輿情控制模型

錢怡吉 洪 磊 張語瑞

（江蘇警官學院，江蘇 南京 210000）

1 引言

當代新媒體時代，新興媒體對傳統主流媒體產生了巨大的沖擊，而不同的新興媒體之間還存在著交互的過程。新媒體時代下，信息的傳播渠道更加多元化，用戶發聲更加便捷，同時，影響輿情走向的要素也來自多個方面。

當媒體、政府等具有一定權威性的用戶在新興媒體上發聲時，因其本身具有極大的影響力和說服力，將對于輿情傳播產生不可忽略的影響。

根據微博數據中心發布的《2020年微博用戶發展報告》，在微博用戶方面，媒體及政務官微90后粉絲過半，80后保持著最旺盛的求知欲，平均每人關注140多個大V。2020年9月微博月活用戶高達5.11億，2020年9月日活用戶高達2.24億。而在微信使用上，根據2021年最新數據可以看到，微信的日活躍用戶達到10.9億，其中有7.8億人每天翻看朋友圈，1.2億人會發表朋友圈，3.6億人每天通過瀏覽公眾號來獲取對外界的認識。由此可見，微博和微信已經成為絕大多數人日常生活中獲取實時信息和了解社會的主要媒介，是目前應用最為廣泛，最為活躍的移動社交平臺，輿情話題在兩個平臺之間相互滲透，共同演化。本文選取微博、微信移動社交網絡為對象，基于傳染病模型研究輿情傳播過程，利用Anylogic軟件進行仿真模擬，綜合分析輿情外界因素引導下的跨媒體傳播，對研究輿情傳播趨勢具有重要意義。

2 研究綜述

在基于傳染病模型的輿情傳播研究中，江長斌等人提出了次生輿情影響下的網絡輿情傳播模型[1]；丁海昕等使用神經網絡算法，基于SEIR模型和地理加權回歸模型，對社會媒體輿論影響下公眾情感變化與情感指數分布進行了分析[2]；陳帥利用改進的SEIR模型，建立了雙層社交網絡輿情傳播研究[3]；顧秋陽等基于社交網絡上的多輿情控制問題，設計用于刻畫多輿情傳播的HISBM模型，并基于此提出了基于馬爾科夫鏈的用戶輿情感知度量方法[4]；琚春華等結合專家干預和政府政策的意見領袖，提出了社交網絡輿情傳播與控制模型[5]。

在不同平臺方面的研究中，陳帥構建多層耦合網絡輿情傳播和輿情控制模型，研究了輿情的跨平臺效應[6]和移動社交平臺的網絡輿情傳播狀態[7]；馬秀娟基于BA無標度的復雜有向網絡建立輿情演化模型[8]；于凱對雙層耦合網絡模型（BCNM）的構建及其上的信息傳播模型和節點傳播影響力及傳播控制策略等內容進行了研究[9]；韋相研究了雙層關聯網絡協同傳播[10]。

在此之前，針對跨平臺之間輿情傳播與輿情控制研究較少。本文以微信與微博為例進行研究，基于SEIR模型對輿情傳播進行了研究。

3 模型介紹

3.1 SEIR模型

輿情傳播與傳染病傳染的過程具有極高的相似性。多數系統動力學研究都是基于傳染病模型，如SI模型、SIR模型、SIS模型等。其中較為傳統且完善的SEIR模型綜合考慮了傳染病的潛伏期，應用在輿情傳播仿真中最為合適。其狀態轉移關系如圖1所示。SEIR模型中，將系統中的人分為四類，分別是易感者、潛伏者、感染者和免疫者，這與輿情傳播中的四種網民狀態相對應。易感者（S態）在接觸到感染者之后，一部分易感者以一定的概率變為潛伏者（E態），潛伏者以一定的概率變成感染者（I態），感染者再以一定的概率恢復成免疫者（R態）。

圖1 傳統SEIR模型狀態轉移關系

互聯網用戶在現實世界或互聯網上得到消息后，在社交媒體上傳播信息、發表觀點、交流互動，這是輿情事件中的主體部分。基于SEIR模型，網民的狀態也可以分為易感者、潛伏者、感染者和免疫者。對應到輿情事件中，易感者是指為接收到信息的網民；潛伏者是指接收到信息后點收藏、點贊、評論但是未進行轉發的網民；感染者是指通過評論、轉發、共享等方式傳播信息的網民；免疫者是指對信息失去興趣退出傳播過程的網民。

互聯網用戶的感染概率與鄰居節點轉發人數的關系表示為：

式中：k為鄰居節點中感染者的比例；a為信息吸引度，即信息的價值以及用戶對信息感興趣的程度，在連續區間[0,1]取值，值越大表示該信息越容易吸引用戶傳播；c為非零常數；k0為興趣閾值，k1為厭倦閾值，表征用戶對群體意見的敏感度，在連續區間[0,1]取值；b=a?k0/(k1-k0)為信息厭倦度，用來衡量用戶得知周圍朋友轉發該條消息人數過多時對消息的反感程度。此公式計算得到的β即為潛伏者轉化為感染者的概率b。

3.2 媒體引導

媒體是網絡輿情傳播的媒介之一，能夠擴大輿情的影響范圍。對于正確信息的傳播來說，媒體引導能夠促進更多網民獲得正確的觀點，而一旦媒體引導的是錯誤的方向，就會導致更多網民產生錯誤的觀點。但是，媒體對輿情的作用僅僅局限于讓更多的網民知道輿情信息，而對于網民是否選擇傳播該信息影響甚微，在該模型中，媒體引導作用主要體現在促進易感者向潛伏者轉化。

在受到媒體引導作用時，用戶由易感者變為潛伏者的概率受媒體權威性和報道力度的影響。媒體節點k的媒體引導潛伏概率為：

式中，ok表示媒體權威性，在連續區間[0,1]取值，值越大媒體發布的信息越容易被用戶信任、傳播；sm為報道力度，即媒體通過發布信息引導用戶傳播信息的力度。在連續區間[0,1]取值，值越大媒體引導力度越大，用戶越容易接觸到信息并傳播。

3.3 政府干預

政府對輿情起到監控和干預的作用。政府應當對正面輿情進行良性引導；當負面輿情發展到一定程度時，政府要采取一定的措施，提高輿情透明度，引導輿情走向，對錯誤輿情的傳播起到削弱作用。因此，政府的干預作用主要體現在促進潛伏者、感染者向免疫者轉化，對處于其他狀態的主體不進行干預。

在受到政府干預時，用戶由潛伏狀態或傳播狀態變為免疫狀態的概率受政府公信力和干預強度的影響。政府干預免疫概率為：

其中，v表示政府公信力，在連續區間[0,1]取值，值越大對用戶影響力越大；so表示干預強度，即政府制止用戶傳播信息的力度，在連續區間[0,1]取值，值越大政府干預力度越大，用戶越容易停止傳播信息。

4 模型仿真

本文建立基于SEIR模型，綜合考慮媒體引導與政府干預的影響后，微信、微博用戶的狀態轉移關系如圖2所示。M表示易感者在媒體引導作用下接收到消息變為潛伏者，O表示潛伏者、感染者在政府干預作用下不再傳播信息變為免疫者。

圖2 改進后微博、微信用戶狀態轉移關系

2021年11月26 日，據媒體報道，南非國家傳染病研究所25日發表聲明稱，目前已在南非檢測到一種新型新冠病毒變異株B.1.1.529，目前已在非洲22例陽性病例中檢測到該變異毒株。這一事件引發網民普遍關注。本文以此案件為例，利用Anylogic軟件驗證模型，通過設置不同情景考察媒體引導和政府干預對輿情傳播的影響。

本文的數據來源為輿情分析平臺“知微事件”中事件“南非發現新冠新型變異毒株Omicron”。利用該平臺“分平臺傳播趨勢”功能，選取2021年11月26日至2022年1月4日共計40天“微博”“微信”和“全局”平臺中每天產生的信息條數作為感染者數量。設各個平臺總人數分別為25000人、15000人、3000人，對數據進行標準化處理，得到微信傳播、微博傳播、雙平臺傳播下感染者比例隨時間變化關系，分別記作I1(t)、I2(t)、I3(t)，如表1所示。

仿真實驗時設用戶總人數N0=1000。初始感染者數量設為I1(0)=75，I2(0)=31，I3(0)=94。用三次樣條插值法對進行插值，在原有40組數據中，每兩組實際數據間插值四組數據，共獲得196組數據作為案例數據仿真。時間t為0~200，單位仿真時長對應4.8小時，如圖3、圖4、圖5所示。

圖3展示了微博平臺數據的三次樣條插值擬合結果。感染者比例曲線不斷波動，總體呈波動式下降的趨勢。其中第4天感染者人數達到最大值，波動最為明顯的波段為第18天出現小幅度回升至第20天后再度下降，第40天感染者人數達到最小值。在該擬合中，曲線波動程度較大，具有較高的不穩定性。

表1 案例相關數據

圖4展示了微信平臺數據的三次樣條插值擬合結果。感染者比例曲線總體呈現波動式下降的趨勢。其中第5天感染者人數達到最大值，波動最為明顯的波段為第17天出現小幅度回升至第19天后再度下降，第1天為感染者人數最小值。在輿情傳播的初期，該曲線較為符合正態分布。相較微博平臺曲線來說，微信平臺數據的曲線波動程度更小，其下降過程更為平穩。

圖5展示了跨平臺數據的三次樣條插值擬合結果。感染者比例曲線仍然呈現波動式下降的趨勢。其中第4天感染者人數達到最大值，波動最明顯的波段與微博、微信數據相吻合，第17天后開始出現上升，至第19天后回落，第40天感染者人數達到最小值。綜合微博、微信數據來看，跨平臺數據波動程度比微信數據更大，但小于微博波動程度，具有較大的波動性，且波動的分界點較為清晰，結果更加符合客觀規律。

圖3 微博之三次樣條插值法

圖4 微信之三次樣條插值法

圖5 雙平臺之三次樣條插值法

5 參數分析

以對比實驗法研究媒體引導和政府控制在雙平臺同步情況下設置4種情形：情景1：不加入媒體引導和政府干預；情景2：僅加入媒體引導；情景3：僅加入政府干預；情景4：同時進行政府干預媒體引導。具體結果如圖6所示。

以下圖中，橫坐標表示仿真時間t為0~60，單位仿真時長對應4.8小時，縱坐標表示穩態易感者數量，單位數量對應1人。藍色曲線表示情景1，黃色曲線表示情景2，綠色曲線表示情景3，紅色曲線表示情景4。

圖6 情景1與情景2的對比

由圖6可見，情景2較情景1穩態易感者數量明顯下降，輿情傳播速率增快，說明媒體引導使得網民更快接觸到信息，輿情傳播加快。

圖7 情景1與情景3的對比

由圖7可見，情景3較情景1穩態易感者數量明顯上升，說明政府干預能夠使得更多人接觸到更加正確的信息，使負面輿論盡快平息。

圖8 各種情景對比圖

由圖8可見，情景4較情景2輿情傳播速率減緩，說明即使媒體引導參與，政府干預仍能減緩負面輿論的傳播與發展，讓更多互聯網用戶接觸到正面信息；情景4較情景1輿情傳播速率更快，說明媒體引導確實能起到較為不錯的傳播效果。同時，多家媒體協作及早加入輿情傳播的過程，將更加有利于輿情的傳播。

綜上所述，媒體引導要在多平臺同時發聲，以引起更多網民的關注；面對不良輿情信息時，政府要及時進行干預，加強聯控防控，從多平臺及時著手。跨平臺的輿情傳播在一定程度上加快了信息的傳播速度，因此需要媒體和政府方面及時關注網絡信息，推動真實信息在互聯網上的傳播，同時盡快平息負面輿情，避免引起社會恐慌。

6 結語

本文選取微信、微博兩個最具代表性的社交平臺為對象，研究跨平臺信息交互時，媒體引導和政府干預對于情傳播的影響，利用SEIR模型和多智能體建模的方法，構建了符合微信、微博信息傳播特點的模型。在Anylogic仿真平臺上，以“南非發現新冠新型變異毒株Omicron”事件為例，利用對比實驗法模擬不同情形，分析了媒體引導和政府干預對輿情傳播的重要影響。