基于改進(jìn)SIR模型的突發(fā)公共事件網(wǎng)絡(luò)輿情情感演化研究

摘 要：基于經(jīng)典的傳染病模型，引入情緒感染理論，構(gòu)建刻畫網(wǎng)民正負(fù)情緒交互的動(dòng)態(tài)演化改進(jìn)SIR模型，結(jié)合后疫情時(shí)期爬取的實(shí)際數(shù)據(jù)，通過(guò)MATLAB模擬仿真分析了后疫情期間網(wǎng)絡(luò)輿情的演化趨勢(shì)，驗(yàn)證了結(jié)果的有效性。研究結(jié)果表明：社會(huì)公信力和網(wǎng)民信息風(fēng)險(xiǎn)感知力的提升可以提高正面情緒凈化率，從而使網(wǎng)絡(luò)輿情的演化朝著積極的態(tài)勢(shì)發(fā)展，對(duì)政府部門防控疫情和維護(hù)社會(huì)穩(wěn)定具有積極意義。

關(guān)鍵詞：網(wǎng)絡(luò)輿情;情緒感染;突發(fā)事件;SIR模型

中圖分類號(hào)：C93-0 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7535/j.issn.1671-1653.2021.02.011

Study on Emotional Evolution of Internet Public Opinions in Public Emergencies Based on Improved SIR Model

QU Ying1，2， TIAN Hong-mei1，2， CHONG Zi-peng1，2

（1.School of Economics and Management， Hebei University of Science and Technology， Shijiazhuang 050018， China; 2. Data Science and Intelligent Computing Research Center， Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract：Based on the classic infectious disease model， the emotional infection theory was introduced to construct an improved SIR model to depict the dynamic evolution of the positive and negative emotional interaction of netizens. Combined with the actual data crawled during the postepidemic period， the evolution trend of internet public opinion was shown through the MATLAB simulation， and the effectiveness of the result was verified. The research results show that the improvement of social credibility and the netizens’ information risk perception can improve the purification rate of positive emotions， so as to make the evolution of internet public opinion develop towards a positive trend， which is of positive significance for government departments to prevent and control the epidemic and maintain social stability.

Key words：

internet public opinion;" emotional infection;" emergency;" SIR model

一、引言

據(jù)中國(guó)互聯(lián)網(wǎng)信息中心發(fā)布的《第45次中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，我國(guó)網(wǎng)民規(guī)模達(dá)9.04億，互聯(lián)網(wǎng)普及率達(dá)64.5%，同比增長(zhǎng)4.9%[1]。近年來(lái)，社交網(wǎng)絡(luò)的不斷發(fā)展使得輿情信息傳播的速率不斷提升，輿情信息可以在極短的時(shí)間內(nèi)進(jìn)行大規(guī)模傳播。大多數(shù)人會(huì)積極地傳播正向輿情信息來(lái)解除人們心中的恐慌，維護(hù)社會(huì)穩(wěn)定，而某些不知情者會(huì)受到負(fù)面輿情信息的影響，在疫情期間散布謠言，給疫情防控工作帶來(lái)了很大的阻礙[2]。如在新冠肺炎的后疫情期間的成都疫情、新疆疫情、青島疫情和石家莊疫情中，引發(fā)了不同程度的網(wǎng)絡(luò)輿情危機(jī)，導(dǎo)致政府部門面臨的壓力增大。所以，研究在后疫情時(shí)期如何引導(dǎo)正向輿情、治理負(fù)面輿情對(duì)減輕政府壓力、維護(hù)社會(huì)秩序和社會(huì)安全具有積極意義。

通過(guò)對(duì)現(xiàn)有研究成果的梳理發(fā)現(xiàn)，社交網(wǎng)絡(luò)中的輿情傳播控制已經(jīng)受到了國(guó)內(nèi)外學(xué)者的重視并得到豐富的研究。shah[3]等利用經(jīng)典SIR模型的變形對(duì)社交網(wǎng)絡(luò)中的輿情傳播進(jìn)行了建模，并基于網(wǎng)絡(luò)中心性設(shè)計(jì)了輿情溯源方法。Dhar等[4]建立了社會(huì)網(wǎng)絡(luò)環(huán)境中輿情信息傳播模型，并論證了反輿情信息在輿情控制中的作用。Ma等[5]在傳染病模型的基礎(chǔ)上，對(duì)傳染率增加了含有正向和負(fù)向的“雙向社會(huì)加強(qiáng)效應(yīng)”影響，動(dòng)態(tài)研究了處于不同條件下的未知者對(duì)輿論傳播的影響。田世海等[6]界定了網(wǎng)絡(luò)輿情信息生態(tài)群落衍生的內(nèi)涵，并基于改進(jìn)SIR模型，分別構(gòu)建了網(wǎng)絡(luò)輿情信息生態(tài)群落橫向和縱向衍生模型，刻畫了衍生過(guò)程。趙劍華等[7]在傳統(tǒng)的SIR傳染病模型基礎(chǔ)上，根據(jù)用戶接受輿情時(shí)可能的心理行為特征，綜合考慮用戶的心理特征行為因素，搭建了新型的社交網(wǎng)絡(luò)輿情傳播動(dòng)力學(xué)模型。譚娟[8]在比較了社交網(wǎng)絡(luò)和傳統(tǒng)網(wǎng)絡(luò)在信息傳播方式的差異后，模擬出了基于傳染病網(wǎng)絡(luò)輿情傳播模型。張彥超等[9]在傳染病動(dòng)力學(xué)的基礎(chǔ)上，引入復(fù)雜網(wǎng)絡(luò)理論，提出了基于SNS網(wǎng)絡(luò)的信息傳播模型。劉小洋等[10]將用戶屬性以及信息特征加入到社交網(wǎng)絡(luò)信息傳播模型的構(gòu)建中，提出了基于社交網(wǎng)絡(luò)用戶自身屬性的信息傳播模型。

學(xué)者們基于不同角度構(gòu)建了輿情傳播模型，但在模型構(gòu)建和有效數(shù)據(jù)分析中很少考慮到人的情感因素，事實(shí)上，人是“社會(huì)人”，在網(wǎng)絡(luò)輿情中用戶的情緒感染是很重要的因素;再者大多數(shù)學(xué)者側(cè)重對(duì)負(fù)面情緒的挖掘，缺乏感染者正向和負(fù)向情緒的相互轉(zhuǎn)化的探討。本文基于經(jīng)典的傳染病模型，引入情緒感染理論，構(gòu)建刻畫網(wǎng)民正負(fù)情緒交互的動(dòng)態(tài)演化改進(jìn)SIR模型，其中凈化率與煽動(dòng)率分別受政府公信力和信息風(fēng)險(xiǎn)感知的影響，最后結(jié)合后疫情時(shí)期爬取的實(shí)際數(shù)據(jù)，驗(yàn)證了實(shí)驗(yàn)的有效性，以期對(duì)后疫情期間疫情的防控工作帶來(lái)正向影響。

二、模型構(gòu)建

（一）經(jīng)典的傳染病模型[11]

1.模型假設(shè)

假設(shè)1：傳播主體總數(shù)N保持不變，將主體狀態(tài)分為三類：易感者（S（t）），表示未染病但有可能被該類疾病傳染的人數(shù);染病者（I（t）），表示已被感染成為病人而且人有傳染力的人數(shù);免疫者（R（t）），表示對(duì)此疾病已免疫并不再感染的人數(shù)。

假設(shè)2：感染率（每個(gè)病人每天接觸的人數(shù)）為λ;免疫率（每天被治愈的人數(shù)占總病人數(shù)的比例）為β。

2.模型狀態(tài)轉(zhuǎn)移規(guī)則

易感者、染病者、免疫者三者分別為S（t）、I（t）、R（t），其中λ為感染率，β為免疫率，經(jīng)典傳染病SIR模型如圖1所示。

（二）基于情緒因素影響的改進(jìn)SIR模型

經(jīng)典的傳染病SIR模型對(duì)網(wǎng)絡(luò)輿情的研究沒有考慮到情緒因素，而網(wǎng)民都是“社會(huì)人”，會(huì)受情緒環(huán)境的影響。當(dāng)網(wǎng)絡(luò)輿情開始后，接觸到輿情信息的人，有的傳播積極信息，有的傳播消極信息。依據(jù)情緒感染理論，將這些傳播信息的人分為積極情緒者或理性者、消極情緒者，當(dāng)易感者受到不同情感傾向的傳播者給予的情緒刺激時(shí)，要么產(chǎn)生認(rèn)同，成為同類情感傳播者;要么反感，成為異類情感傳播者。不同情感情緒者的情緒也不是一直不變的，當(dāng)受到某些外部因素刺激時(shí)，積極情緒者和消極情緒者之間可相互轉(zhuǎn)化?；谝陨系姆治鰧?duì)傳統(tǒng)的SIR模型在結(jié)構(gòu)上進(jìn)行了的改進(jìn)。

1.模型假設(shè)

假設(shè)1：將所有網(wǎng)民（M（t））分為三類：未參與者（S（t）），即未接觸到信息的人;積極情緒或理性者（P（t）），即對(duì)突發(fā)事件持有積極情緒或者沒有感覺的人;消極情緒者（N（t）），即對(duì)突發(fā)事件產(chǎn)生恐慌、氣憤，乃至仇視的消極情緒的人。這三類網(wǎng)民都是關(guān)于時(shí)間t的可微函數(shù)。

假設(shè)2：由于個(gè)體的選擇會(huì)一直受到所處環(huán)境的影響，當(dāng)未參與者接觸到信息及消極情緒后，會(huì)以感染率β感染成為消極情緒者;或者在不接觸消極情緒者的情況下以轉(zhuǎn)化率μ1轉(zhuǎn)化為積極情緒或理性者。

假設(shè)3：在沒有其他因素干擾下消極情緒者會(huì)以自愈率α轉(zhuǎn)變成為積極情緒或理性者。

假設(shè)4：當(dāng)積極情緒或理性者同消極情緒者接觸時(shí)，二者可能會(huì)互相轉(zhuǎn)化，轉(zhuǎn)化率μ2。當(dāng)μ2是正數(shù)時(shí)為煽動(dòng)率，將積極情緒或理性者轉(zhuǎn)化為消極情緒者。當(dāng)μ2是負(fù)數(shù)時(shí)為凈化率，將消極情緒者轉(zhuǎn)化為積極情緒或理性者。

其中μ2受政府公信力和網(wǎng)民信息風(fēng)險(xiǎn)感知等多方面因素影響，政府公信力越強(qiáng)，對(duì)虛假信息的治理越強(qiáng)，對(duì)消極情緒者的凈化作用越強(qiáng)。網(wǎng)民信息風(fēng)險(xiǎn)感知能力越弱，越容易為了實(shí)現(xiàn)自身漲粉或者獲取關(guān)注度等短視行為發(fā)布不良信息或不實(shí)信息，對(duì)積極情緒者有一定的負(fù)面煽動(dòng)作用。

2.模型建立

未參與者、積極情緒或理性者、消極情緒者分別為S（t）、P（t）、N（t），其中β為感染率，μ1為轉(zhuǎn)化率，α為凈化率，μ2為煽動(dòng)率或者自愈率。模型轉(zhuǎn)移狀態(tài)如圖2所示.

由假設(shè)1可以得出M（t）=S（t）+P（t）+N（t）?；诮?jīng)典傳染病SIR 型的建模思想和網(wǎng)絡(luò)輿情情感交互過(guò)程，建立如下優(yōu)化的數(shù)學(xué)模型。

dSdt=-βStNt-μ1StdNdt=βStNt-αNt+μ2NtPtdPdt=αNt-μ2NtPt+μ1St。（1）

S（t）+P（t）+N（t）=1。（2）

三、仿真結(jié)果及分析

突發(fā)公共事件下的網(wǎng)絡(luò)輿情情感演化與多個(gè)主體相關(guān)，是政府部門、新媒體、網(wǎng)絡(luò)用戶等多方互相作用的結(jié)果，不同主體間存在的多種外在因素也會(huì)影響網(wǎng)絡(luò)輿情情感的走向。本節(jié)采用控制變量法[12]，利用改進(jìn)的SIR模型進(jìn)行突發(fā)公共事件網(wǎng)絡(luò)輿情情感數(shù)值分析，設(shè)置不同的參數(shù)數(shù)值和未參與者、消極情緒者、積極情緒或理性者的初始比例來(lái)研究網(wǎng)絡(luò)輿情情感演化過(guò)程。具體參數(shù)設(shè)置見表1。對(duì)照組如圖3所示。

（一）增加β值由圖4所示可知，增加未參與者接觸到信息及消極情緒后的感染率β時(shí)，S（t）、P（t）、N（t）的圖像會(huì)向左移動(dòng)，更早地到達(dá)平衡狀態(tài)，但是圖像整體的走向變化不大。這說(shuō)明增加β會(huì)加快網(wǎng)絡(luò)輿情的傳播速度，負(fù)面情緒擴(kuò)散的更快。

（二）增加α值由圖5、圖6可知，增加消極情緒向積極情緒或無(wú)感者的自發(fā)轉(zhuǎn)化率α值后，P（t）會(huì)迅速增大，然后到達(dá)峰值后回落到平衡態(tài)，較對(duì)照組達(dá)到穩(wěn)定狀態(tài)的人數(shù)比例變大。如果將α值提升到0.09以上，P（t）曲線會(huì)快速攀升到最大值，負(fù)面情緒者N（t）會(huì)隨時(shí)間無(wú)限趨向于0。α值的增加能夠扭轉(zhuǎn)整體網(wǎng)絡(luò)輿情情感的走向，而且數(shù)值越大對(duì)于負(fù)面情緒的控制越有效，但是在實(shí)際生活中提升無(wú)人干擾下的自發(fā)轉(zhuǎn)換率比較困難。

（三）改變?chǔ)?值由圖7、圖8可知，增加負(fù)面情緒者煽動(dòng)率μ2，積極情緒或無(wú)感者上升峰值會(huì)降低，消極情緒者N（t）趨向向左平移迅速增高。這說(shuō)明增加負(fù)面情緒者煽動(dòng)率μ2會(huì)使負(fù)面情緒迅速擴(kuò)散并且打擊積極情緒者的發(fā)展。如果將μ2改變?yōu)?0.02，成為積極情緒者的凈化率，那么負(fù)面情緒者N（t）會(huì)在一開始的就處于較低的水平，并隨時(shí)間的推移無(wú)限趨于0，積極情緒或理性者P（t）會(huì)快速升高趨于最大值。這說(shuō)明μ2值是影響突發(fā)事件下網(wǎng)絡(luò)輿情情感走向的關(guān)鍵因素，能否在政府和媒體的參與下凈化負(fù)面情緒是影響輿情情緒演化的核心問題。

（四）增加μ1值由圖9可知，增加未參與者向積極情緒或理性者的轉(zhuǎn)化率μ1，會(huì)使P（t）前期迅速增加，提升峰值，但后期會(huì)回落至高于對(duì)照組P（t）的穩(wěn)定態(tài)，并伴隨消極情緒者N（t）的穩(wěn)定攀升。這說(shuō)明增加μ1值能夠在前期很好地控制負(fù)面情緒的擴(kuò)散，為后期采取措施提供時(shí)間。

四、實(shí)證研究

（一）實(shí)證數(shù)據(jù)來(lái)源

當(dāng)前新浪微博的活躍用戶超過(guò)4億，而且數(shù)據(jù)開放程度相對(duì)較高，用戶可以自由發(fā)表對(duì)于突發(fā)事件的觀點(diǎn)，所以新浪微博平臺(tái)的微博信息能夠一定程度上代表網(wǎng)絡(luò)輿情的情感走向[13]。本研究通過(guò)設(shè)計(jì)Python網(wǎng)絡(luò)爬蟲代碼來(lái)獲取新浪微博數(shù)據(jù)進(jìn)行改進(jìn)SIR模型的實(shí)證研究。以“河北疫情”為關(guān)鍵詞，爬取在2021年1月2日至11日之間的微博信息，共計(jì)29282條，爬取維度主要包括微博發(fā)出者的ID、微博發(fā)布時(shí)間、微博文本內(nèi)容、微博轉(zhuǎn)發(fā)數(shù)、評(píng)論數(shù)、點(diǎn)贊數(shù)等，由這些信息構(gòu)成本實(shí)證研究的基礎(chǔ)數(shù)據(jù)單位。

（二）數(shù)據(jù)處理及對(duì)比驗(yàn)證

驗(yàn)證網(wǎng)絡(luò)輿情的情感演化過(guò)程需要對(duì)微博內(nèi)容文本進(jìn)行情感測(cè)定。樸素貝葉斯分類器對(duì)于短文本分類有著獨(dú)特的優(yōu)勢(shì)，在以往的研究中樸素貝葉斯分類器對(duì)垃圾郵件的分類準(zhǔn)確率可以達(dá)到 90%以上，分類結(jié)果可信[14]。所以本研究基于樸素貝葉斯分類原理結(jié)合機(jī)器學(xué)習(xí)的方法對(duì)微博內(nèi)容進(jìn)行文本分析，判定其情感傾向。首先使用Python中的Jieba庫(kù)分詞微博文本進(jìn)行分詞處理，并過(guò)濾常見的停用詞，使文本適用于樸素貝葉斯分類。然后隨機(jī)選取正面情緒、負(fù)面情緒微博文本各300條，人工標(biāo)注感情傾向作為先驗(yàn)概率的訓(xùn)練集，使用Python中基于樸素貝葉斯原理設(shè)計(jì)的Snow NLP庫(kù)進(jìn)行訓(xùn)練分類器文本分類，來(lái)標(biāo)注每條微博文本的情感傾向。最后基于時(shí)間序列，將微博的情感態(tài)度變化進(jìn)行可視化處理，得到“河北疫情”的網(wǎng)絡(luò)輿情情感演變趨勢(shì)圖（如圖10所示）。

根據(jù)“河北疫情”的網(wǎng)絡(luò)輿情情況得出改進(jìn)SIR網(wǎng)絡(luò)輿情情感分析模型的參數(shù)S0=0.958，N0=0.04，P0=0.02，β=0.01，α=0.02，μ2=0.04，μ1=0.02，演化結(jié)果如圖11所示。對(duì)比圖10和圖11可以看出，仿真模擬曲線同實(shí)際輿情數(shù)據(jù)趨勢(shì)基本吻合，這說(shuō)明可以用此模型來(lái)模擬此類事件的輿情情感演化，進(jìn)而進(jìn)行分析預(yù)測(cè)。

五、突發(fā)公共事件網(wǎng)絡(luò)輿情治理的對(duì)策與建議

（一）加強(qiáng)政府引導(dǎo)，提高主流媒體的引領(lǐng)能力（降低β，提高μ1策略）

在突發(fā)公共事件中，政府在網(wǎng)民情緒的引導(dǎo)過(guò)程中起著關(guān)鍵性作用[15]。政府部門及時(shí)發(fā)布信息，能夠避免網(wǎng)絡(luò)用戶的胡亂猜疑，最大程度上控制住負(fù)面情緒的迅速擴(kuò)散。政府可以構(gòu)建突發(fā)事件的輿情監(jiān)測(cè)系統(tǒng)，在突發(fā)事件發(fā)生時(shí)，能夠及時(shí)監(jiān)測(cè)出來(lái)，迅速啟動(dòng)網(wǎng)絡(luò)輿情應(yīng)急機(jī)制，由專業(yè)的人員進(jìn)行網(wǎng)絡(luò)輿情的引導(dǎo)和控制。使未參與者第一時(shí)間接觸到全面的信息，降低其成為消極情緒者的概率，進(jìn)而使負(fù)面網(wǎng)絡(luò)輿情得到控制，為后期突發(fā)事件的解決提供平穩(wěn)的環(huán)境，防止網(wǎng)絡(luò)輿情次生危機(jī)的發(fā)生。

（二）培養(yǎng)網(wǎng)民的理性思考方式，建構(gòu)一種社會(huì)的安全情感（提高α策略）

在突發(fā)公共事件發(fā)生時(shí)，網(wǎng)民難免會(huì)產(chǎn)生恐慌情緒，此時(shí)網(wǎng)民的信心很容易動(dòng)搖，進(jìn)而失去獨(dú)立思考的能力。這就需要網(wǎng)民對(duì)于突發(fā)事件做出的判斷，若政府對(duì)于突發(fā)事件有足夠的應(yīng)急處置備案，能夠很好地處理突發(fā)狀況，自然能夠提高網(wǎng)民的信心，使網(wǎng)民能夠在緊急事件下保持理性，面對(duì)紛繁籠雜的網(wǎng)絡(luò)環(huán)境得到正確的判斷，從而轉(zhuǎn)變?yōu)榉e極情緒者。同時(shí)也需要政府在平時(shí)加強(qiáng)對(duì)網(wǎng)民的引導(dǎo)和教育，提升網(wǎng)民對(duì)媒介信息的解讀和評(píng)判能力，在負(fù)面輿情爆發(fā)時(shí)，扭轉(zhuǎn)輿情演化方向[16]。

（三）提高政府公信力，提升網(wǎng)民信息風(fēng)險(xiǎn)的感知力（降低μ2策略）

政府公信力和網(wǎng)民信息風(fēng)險(xiǎn)感知力的提升可以提高正面情緒的凈化率[17]，從而使網(wǎng)絡(luò)輿情的演化朝著積極的態(tài)勢(shì)發(fā)展。政府公信力的提高是政府有效辟謠的重要前提和基礎(chǔ)，當(dāng)負(fù)面情緒傳播者散布謠言制造恐慌時(shí)，政府應(yīng)該及時(shí)通過(guò)新媒體來(lái)辟謠，并對(duì)謠言制造者予以一定的懲罰，對(duì)傳播積極言論應(yīng)正確引導(dǎo)。網(wǎng)民對(duì)信息風(fēng)險(xiǎn)的感知力會(huì)影響其情緒的轉(zhuǎn)化，一旦消極情緒者感知到負(fù)面信息會(huì)給防疫工作、社會(huì)安全帶來(lái)阻礙風(fēng)險(xiǎn)時(shí)，消極情緒傳播者就會(huì)向積極情緒者轉(zhuǎn)化，所以加強(qiáng)網(wǎng)民對(duì)信息風(fēng)險(xiǎn)的感知力是非常有必要的。

參考文獻(xiàn)：

[1]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）.第45次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展現(xiàn)狀統(tǒng)計(jì)報(bào)告[R].2020-04-28.

[2]常啟云.論互聯(lián)網(wǎng)群體傳播的情感偏向[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2019，（12）：146-151.

[3]Shah D.，Zaman T R..Rumors in a Network ： Who's the Culprit？ [J].1EEE Transactions on Inforrnation Theary，2011，（8）：5163-5181.

[4]Dhar J.，Jain A.，Gupta V..A Mathematical Model of News Prop-agation on Online Social Network and a Control Strategy for Rimor Spreading[J]. Social Network Anaysis amp; Mining，2016， （1）： 57.

[5]Jing Ma，Dandan Li，Zihao Tian. Rumor Spreading in Online Social Networks by Considering the Bipolar Social Reinforcement[J].Physica A： Statistical Mechanics and its Applications，2016，（447）：108-115.

[6]田世海，張家毓，孫美琪.基于改進(jìn)SIR的網(wǎng)絡(luò)輿情信息生態(tài)群落衍生研究[J].情報(bào)科學(xué)，2020，（1）：3-9，16.

[7]趙劍華，萬(wàn)克文.基于信息傳播模型—SIR傳染病模型的社交網(wǎng)絡(luò)輿情傳播動(dòng)力學(xué)模型研究[J].情報(bào)科學(xué)，2017，（12）：34-38.

[8]譚 娟.基于傳染病模型的社交網(wǎng)絡(luò)輿情話題傳播[J].計(jì)算機(jī)工程與應(yīng)用，2015，（12）：118-122.

[9]張彥超，劉 云，張海峰，等.基于在線社交網(wǎng)絡(luò)的信息傳播模型[J].物理學(xué)報(bào)，2011，（5）：66-72.

[10]劉小洋，唐 婷，何道兵.融合社交網(wǎng)絡(luò)用戶自身屬性的信息傳播數(shù)學(xué)建模與輿情演化分析[J].中文信息學(xué)報(bào)，2019，（9）：115-122.

[11]Kermaek W O.，McKendrickA G..A Contrbution to the Mathematical Theory of Epidemics[J]. Proceedings of the Royal Society of London.Series A.Containing Papers of a Mathematieal and Physical Character （1905-1934），1927， （772）：57-87.

[12]廖曉昕.動(dòng)力系統(tǒng)的穩(wěn)定性理論和應(yīng)用[M].北京：國(guó)防工業(yè)大學(xué)，2000.35-36

[13]安 璐，胡俊陽(yáng)，李 綱.突發(fā)事件情境下社交媒體高影響力用戶畫像研究[J].情報(bào)資料工作，2020， （6）：6-16.

[14]任中杰，張 鵬，李思成，等.基于微博數(shù)據(jù)挖掘的突發(fā)事件情感態(tài)勢(shì)演化分析——以天津8·12事故為例[J].情報(bào)雜志，2019， （2）：140-148.

[15]葉瓊元，蘭月新，王 強(qiáng)，等.面向突發(fā)事件的網(wǎng)民情緒演化系統(tǒng)動(dòng)力學(xué)模型研究[J].情報(bào)雜志，2017，（9）：153-159，105.

[16]陳福集，黃江玲.突發(fā)事件網(wǎng)絡(luò)輿情演化傳播模型研究[J].情報(bào)科學(xué)，2015，（12）：8-12，19.

[17]林 芹，郭東強(qiáng).企業(yè)網(wǎng)絡(luò)輿情傳播的系統(tǒng)動(dòng)力學(xué)仿真研究——基于傳播主體特性[J].理論研究，2017，（4）：54-60.

收稿日期：2021-01-19

基金項(xiàng)目：河北省高等教育教學(xué)改革研究與實(shí)踐項(xiàng)目（2019GJJG188）

作者簡(jiǎn)介：瞿 英（1973-），女，江蘇南通人，河北科技大學(xué)經(jīng)濟(jì)管理學(xué)院教授，博士，碩士生導(dǎo)師，主要從事決策理論與技術(shù)、系統(tǒng)評(píng)價(jià)等方面的研究;田紅梅（1993-），女，河北保定人，河北科技大學(xué)經(jīng)濟(jì)管理學(xué)院2019級(jí)管理科學(xué)與工程專業(yè)碩士研究生;種子鵬（1996-），男，河北保定人，河北科技大學(xué)經(jīng)濟(jì)管理學(xué)院2019級(jí)工業(yè)工程專業(yè)碩士研究生。