突發(fā)事件中社交媒體用戶黏性與情感負(fù)荷對(duì)信息共生行為影響研究

陽長征

（西安交通大學(xué)新聞與新媒體學(xué)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(luò)媒體是當(dāng)下人們熱捧不疲的一種重要的網(wǎng)絡(luò)新媒體。然而，隨著我國社會(huì)的轉(zhuǎn)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(chǎn)生從眾效應(yīng)，導(dǎo)致信息級(jí)聯(lián)，形成用戶對(duì)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(jī)制，有機(jī)地組合在一起，共同生存發(fā)展，從而使其行為效果產(chǎn)生“1+1＞2”的整體效應(yīng)。這就意味著其中的個(gè)體彼此依賴生存，或者在本可以獨(dú)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(huì)。關(guān)于“共生”現(xiàn)象和理論的研究，已由生物學(xué)領(lǐng)域逐漸滲入和延伸至社會(huì)學(xué)、管理學(xué)等諸多領(lǐng)域。其中，在信息行為學(xué)中，信息共生是指用戶群體、信息共變機(jī)制與環(huán)境協(xié)同共同作用的結(jié)果，使得信息共生后的整體能量大于個(gè)體信息能量的總和。

一方面，信息行為的從眾效應(yīng)指出在特定群體中，其成員因?yàn)槭艿饺后w壓力而隱藏自己的真實(shí)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(luò)信息傳播中，當(dāng)用戶群體從眾心理較強(qiáng)時(shí)，該群體中的信息集中性越大、離散程度越低，則更易于產(chǎn)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(dāng)情境賦予個(gè)體情感壓力越大時(shí)，則越易于產(chǎn)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(fù)雜信息網(wǎng)絡(luò)是由大量節(jié)點(diǎn)構(gòu)成的一種拓?fù)浣Y(jié)構(gòu)，其中各節(jié)點(diǎn)代表個(gè)人或組織，不同拓?fù)浣Y(jié)構(gòu)代表不同的社會(huì)關(guān)系網(wǎng)絡(luò)，當(dāng)節(jié)點(diǎn)結(jié)構(gòu)分布具有集群特征時(shí)，則該網(wǎng)絡(luò)結(jié)構(gòu)中的信息流動(dòng)會(huì)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?duì)話題討論的集中性，并形成用戶群體集聚。對(duì)于一般信息而言，信息共生行為可增強(qiáng)用戶間持續(xù)性關(guān)系的強(qiáng)度，并帶來知識(shí)的創(chuàng)新，通常不會(huì)導(dǎo)致臨時(shí)性關(guān)系的建構(gòu)和社會(huì)負(fù)面沖擊效應(yīng)的產(chǎn)生。而針對(duì)突發(fā)事件，事件作為公眾討論話題的焦點(diǎn)，當(dāng)信息出現(xiàn)共生時(shí)，可聚變生成新的共生能量，且用戶可通過共變適應(yīng)、相互協(xié)同，推進(jìn)信息在共同適應(yīng)和互惠受益中傳播，使危機(jī)信息的擴(kuò)散能力以及負(fù)面影響大幅提高。同時(shí)，信息共生作為群體性行為，可引起人們對(duì)事件的認(rèn)知偏離事件的客觀真實(shí)，進(jìn)而影響突發(fā)事件網(wǎng)絡(luò)輿情的走向和健康發(fā)展，并直接對(duì)社會(huì)穩(wěn)定和公眾心理造成嚴(yán)重負(fù)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(jī)制，對(duì)危機(jī)信息的管控和治理具有重要意義。

然而，關(guān)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(qiáng)調(diào)，個(gè)體在受到外部群體引導(dǎo)或壓力的作用下，可導(dǎo)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(diǎn)、判斷及行為[2]。而情感負(fù)荷是指用戶與信息交互過程中存在不確定性，并伴隨時(shí)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(dāng)突發(fā)事件產(chǎn)生后，由于用戶在信息交互過程中伴隨時(shí)間壓力而出現(xiàn)的不確定性，可產(chǎn)生用戶的情感負(fù)荷，并引起用戶的從眾心理，進(jìn)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(gè)體對(duì)產(chǎn)品或服務(wù)的忠誠、信任和良性體驗(yàn)而產(chǎn)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(tái)行為的頻率增高、訪問時(shí)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(chǎn)生對(duì)媒體的依賴性及持續(xù)使用行為，則可增強(qiáng)媒體中用戶群體間的人際關(guān)系強(qiáng)度與信任度。然而，用戶群體間的人際關(guān)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(jìn)社交媒體用戶信息共生行為的產(chǎn)生。因此，突發(fā)事件中，社交媒體用戶黏性與情感負(fù)荷可對(duì)信息共生行為產(chǎn)生重要影響，本文選擇研究三者變量關(guān)系及影響，對(duì)政府部門和媒體機(jī)構(gòu)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(fù)荷及信息共生之間的內(nèi)生影響，探索了突發(fā)事件中社交媒體用戶黏性、情感負(fù)荷及信息共生間的脈沖響應(yīng)效應(yīng)及邊際影響力；變量間的脈沖響應(yīng)效應(yīng)及邊際影響力在不同用戶細(xì)分群體間的差異性。

2 文獻(xiàn)綜述

為了深入了解網(wǎng)絡(luò)用戶黏性、情感負(fù)荷及信息共生之間的影響機(jī)理，國內(nèi)外學(xué)者針對(duì)該主題從不同的視角進(jìn)行了研究和探討。

2.1 信息共生行為研究

國內(nèi)外關(guān)于信息共生行為的研究較少，其中，目前，國內(nèi)關(guān)于信息共生行為的研究主要針對(duì)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(luò)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(duì)共生大小分布具有重要影響。蔡國永等[8]通過對(duì)新浪微博的分析，將信息傳播的共生模型引入標(biāo)記傳播樹（label propagation tree，LPT），構(gòu)建了一種“標(biāo)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(gè)新浪虛擬社區(qū)中負(fù)面信息的從眾行為，研究結(jié)果表明，負(fù)面信息的擴(kuò)散會(huì)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(guān)研究，有部分學(xué)者主要從信息共生的過程進(jìn)行探討。例如，Kaneko[10]研究了混沌網(wǎng)絡(luò)中信息共生的過程。研究結(jié)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(nèi)保持了邊際穩(wěn)定性。也有部分學(xué)者對(duì)信息共生的形成機(jī)理及演化機(jī)制進(jìn)行探索。例如，Kim等[11]探討了中心性對(duì)社交網(wǎng)絡(luò)決策的社會(huì)影響，以及中心性如何導(dǎo)致網(wǎng)絡(luò)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(jì)上存在顯著相關(guān)，并指出在擴(kuò)散初期，中心性的錯(cuò)誤決策會(huì)嚴(yán)重導(dǎo)致信息共生，在共生過程中，中心性的橋梁作用比其在關(guān)鍵位置的作用更具影響力。Zhang等[12]指出，網(wǎng)絡(luò)中存在共生效應(yīng)，且不同的網(wǎng)絡(luò)可呈現(xiàn)強(qiáng)共生或弱共生效應(yīng)，而由屬于BA變體的著名隨機(jī)演化模型生成的所有網(wǎng)絡(luò)均顯示強(qiáng)共生效應(yīng)。因此，具有強(qiáng)共生效應(yīng)的網(wǎng)絡(luò)存在開發(fā)BA變體的合理性和可能性；而弱的共生效應(yīng)則表明使用BA模型的變體難以再現(xiàn)進(jìn)化過程的合理性，甚至不可行。

2.2 用戶黏性對(duì)行為的影響

國內(nèi)關(guān)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(gòu)理論，探討旅游虛擬社區(qū)用戶黏性與分享行為之間的關(guān)系。研究發(fā)現(xiàn)，用戶黏性對(duì)分享行為具有顯著正向影響，相依型自我對(duì)黏性與分享行為的關(guān)系具有顯著正向調(diào)節(jié)作用。鄢慧麗等[14]在TAM（technology acceptance model）和ECM（expectation-confirmation model）基礎(chǔ)上，引入營銷活動(dòng)、轉(zhuǎn)換成本和網(wǎng)絡(luò)輿論三個(gè)影響變量。研究表明，營銷活動(dòng)、技術(shù)接受、期望認(rèn)同與轉(zhuǎn)換成本對(duì)用戶黏性均具有顯著的正向影響，負(fù)面輿論在期望認(rèn)同與用戶黏性之間具有負(fù)向調(diào)節(jié)作用。趙青等[15]指出，網(wǎng)絡(luò)黏性行為是一種以重復(fù)、持續(xù)使用網(wǎng)絡(luò)產(chǎn)品和服務(wù)，且具有一定心理依賴特征的行為。運(yùn)用探索性因子分析和驗(yàn)證性因子分析工具，構(gòu)建了包含十一個(gè)題目四個(gè)維度的網(wǎng)絡(luò)用戶黏性測評(píng)指標(biāo)體系，并確定了不同程度黏性人群的劃分標(biāo)準(zhǔn)。黨伊瑋等[16]在抗拒理論的基礎(chǔ)上，探討了感知侵?jǐn)_和自由威脅對(duì)用戶黏性的影響，發(fā)現(xiàn)沉浸體驗(yàn)?zāi)苡行岣哂脩麴ば?。國外的相關(guān)研究主要集中于用戶黏性的形成機(jī)理及影響機(jī)制方面。例如，Huang等[17]指出，大量團(tuán)購網(wǎng)站之間的激烈競爭導(dǎo)致更高的產(chǎn)品同質(zhì)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(zhì)量、信息質(zhì)量、服務(wù)質(zhì)量和替代系統(tǒng)質(zhì)量均對(duì)用戶黏性與用戶忠誠度呈正比關(guān)系，用戶的黏性和忠誠度與消費(fèi)者的回購意向具有正向關(guān)系。Xu等[18]指出，統(tǒng)計(jì)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(gòu)建了模型來檢查各種網(wǎng)站屬性對(duì)用戶黏性的影響，研究結(jié)果發(fā)現(xiàn)，媒體網(wǎng)站的屬性和用戶特征對(duì)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(duì)于用戶黏性至關(guān)重要，而價(jià)格并不是影響用戶黏性的重要因素。Kim等[20]使用一項(xiàng)美國智能手機(jī)用戶的在線調(diào)查數(shù)據(jù)來檢驗(yàn)其所提出的模型，研究發(fā)現(xiàn)用戶對(duì)移動(dòng)應(yīng)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(gè)性化，與移動(dòng)應(yīng)用程序的有效性具有正相關(guān)關(guān)系，從而導(dǎo)致黏性增加了積極的WOM（word of mouth）意圖。

2.3 情感負(fù)荷對(duì)行為的影響

目前，國內(nèi)關(guān)于情感負(fù)荷的研究仍然較少，主要集中在情感負(fù)荷的定義和測量方面。例如，黃崑等[21]通過文獻(xiàn)調(diào)研與分析，追溯情感負(fù)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(fù)荷理論是綜合認(rèn)知科學(xué)、情感神經(jīng)科學(xué)、情感控制論和情感計(jì)算等多學(xué)科思想，情感負(fù)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(shí)間壓力而產(chǎn)生的一種不確定性。國外關(guān)于情感負(fù)荷的研究主要集中于情感負(fù)荷的影響、具體形成機(jī)理及影響效應(yīng)方面。例如，Nahl[22]指出，人們會(huì)不斷地產(chǎn)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(fù)荷強(qiáng)度相關(guān)，會(huì)引起如急躁、生氣、焦慮和沮喪等情緒。當(dāng)特定的信息需求沒能獲得滿足時(shí)，情感參與會(huì)導(dǎo)致其情感負(fù)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(duì)認(rèn)知負(fù)荷的興趣日益濃厚，但情感負(fù)荷的影響及其與心理功能的關(guān)系并未引起人們的足夠重視。針對(duì)學(xué)生對(duì)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(fù)荷與數(shù)據(jù)庫關(guān)注難度存在關(guān)聯(lián)，可以查明挫折或情感負(fù)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(fù)荷是由不確定性和恐懼心理組成的復(fù)合變量，存在于各種復(fù)雜的信息任務(wù)中。通常認(rèn)知評(píng)估得分低的人，情感負(fù)荷更高。較高的應(yīng)對(duì)能力提供了顯著的情感優(yōu)勢，表現(xiàn)為更高樂觀、更強(qiáng)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(chǎn)生更低的情感負(fù)荷。Nahl[25]引入并定義了情感負(fù)荷的概念，并指出情感變量包括信息需求、偏好、態(tài)度、任務(wù)動(dòng)機(jī)、不確定性、自我效能、滿意度以及對(duì)系統(tǒng)的忠誠度，這些情感變量之間存在動(dòng)態(tài)和連貫的相互作用，可以應(yīng)對(duì)和減少搜索過程中不確定性、沮喪、焦慮、刺激和憤怒的負(fù)面影響，以減少用戶情感負(fù)荷。

綜合上述文獻(xiàn)分析，一方面，過去的研究主要集中于用戶黏性、情感負(fù)荷和共生效應(yīng)單變量特征與屬性的研究，而尚未存在用戶黏性、情感負(fù)荷及信息共生間關(guān)系的研究，這給本文對(duì)突發(fā)事件中社交媒體用戶黏性、情感負(fù)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(guān)于變量間影響效應(yīng)的研究，但尚未涉及采用從過程的動(dòng)態(tài)視角，諸如對(duì)變量間的脈沖響應(yīng)及邊際影響力進(jìn)行分析，而進(jìn)行邊際效應(yīng)分析，則可以尋找到情感引導(dǎo)、共生監(jiān)控和偏差糾正的最佳“投入-產(chǎn)出”效率的應(yīng)對(duì)策略。因此，本文將用戶黏性、情感負(fù)荷及信息共生置于同一理論框架下，作為系統(tǒng)結(jié)構(gòu)進(jìn)行模型建構(gòu)，分析內(nèi)生變量間的脈沖響應(yīng)和邊際影響力，并研究各變量間影響效應(yīng)在不同人口統(tǒng)計(jì)學(xué)群體間的差異性。

3 理論模型

向量自回歸（vector autoregression,VAR）是用以對(duì)多維時(shí)間序列中的一變量對(duì)另一變量動(dòng)態(tài)影響分析的一種時(shí)滯性方法，是以每個(gè)變量的滯后項(xiàng)作為其他變量函數(shù)的自變量來建立模型，從而實(shí)現(xiàn)對(duì)變量間的相互擾動(dòng)分析。

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

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

在此基礎(chǔ)上，對(duì)VAR模型中的用戶黏性、情感負(fù)荷及信息共生之間脈沖響應(yīng)（impulse response，ⅠR）進(jìn)行分析，其脈沖響應(yīng)結(jié)構(gòu)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(dòng)列向量εvariable,t；Φi為系數(shù)矩陣，p為滯后階數(shù)。

同時(shí)，為了分析VAR模型中用戶黏性、情感負(fù)荷及信息共生變量間結(jié)構(gòu)性沖擊對(duì)特定內(nèi)生變量變化貢獻(xiàn)率（relative variance contribution，RVC），需對(duì)脈沖進(jìn)行方差分解：

其中，j為對(duì)應(yīng)的各影響因素；s為q的有限項(xiàng)取值；，q=0,1,2,…，t=1,2,…,T;。

其次，為了分析各內(nèi)生變量每一單位數(shù)值對(duì)因變量影響效應(yīng)的大小，即在某一時(shí)間內(nèi)自變量對(duì)因變量產(chǎn)生的邊際影響力的動(dòng)態(tài)變化過程，構(gòu)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(jīng)協(xié)整檢驗(yàn)后處于長期均衡關(guān)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(guān)擾動(dòng)項(xiàng)，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(guān)擾動(dòng)項(xiàng)。

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

并根據(jù)

與

的統(tǒng)計(jì)值，以確定理論模型是隨機(jī)效應(yīng)還是固定效應(yīng)，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(duì)變量的測量主要是根據(jù)過去相關(guān)研究中建構(gòu)的變量測量模型，并結(jié)合本文具體研究的內(nèi)容和特征，通過對(duì)過去測量模型的結(jié)構(gòu)調(diào)整、參數(shù)設(shè)置及關(guān)系重構(gòu)，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(yàn)和運(yùn)用的成熟模型，且又結(jié)合了本文的研究具體內(nèi)容和需要進(jìn)行了調(diào)整和改進(jìn)，因此，能保障研究變量測量的效度和信度，從而保證結(jié)論的正確性和準(zhǔn)確性。

信息共生：是指用戶群體、信息共變機(jī)制與環(huán)境協(xié)同共同作用的結(jié)果，使得信息共生后的整體能量大于個(gè)體信息能量的總和。即所有成員通過某些互利機(jī)制，有機(jī)地組合在一起，共同生存發(fā)展，從而使信息傳播效果產(chǎn)生“1+1＞2”的整體效應(yīng)。該變量的測量主要采用認(rèn)知詞典、語義規(guī)則及機(jī)器學(xué)習(xí)方法，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）模型對(duì)突發(fā)事件信息共生行為中的字符進(jìn)行識(shí)別、提取he分類，并標(biāo)注生成信息關(guān)聯(lián)度序列。同時(shí)，運(yùn)用循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）模型及貝葉斯神經(jīng)網(wǎng)絡(luò)對(duì)信息共生中的信息詞匯進(jìn)行擴(kuò)展計(jì)算，形成信息的語義共變系數(shù)、情感共變系數(shù)、網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)系數(shù)和信息流動(dòng)共變系數(shù)，從而計(jì)算信息共生系數(shù)。

在突發(fā)事件中，針對(duì)某一時(shí)間節(jié)點(diǎn)，根據(jù)信息概率論理論，語義共生系數(shù)可計(jì)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(yùn)含（least common subsume）。情感共變系數(shù)、網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)聯(lián)系數(shù)及信息流動(dòng)共變系數(shù)分別表示為

與

那么信息共生采用

情感負(fù)荷：是指用戶與信息交互過程中存在不確定性，并伴隨時(shí)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(fù)荷可通過這四種情緒的測量值總和乘以時(shí)間壓力值進(jìn)行測量，計(jì)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(qiáng)烈，情緒消極程度也越高；TP（time pressure）是指時(shí)間壓力，借鑒了信息系統(tǒng)關(guān)于TP的提法，指出TP是檢索任務(wù)開始前，用戶對(duì)時(shí)間長度的期望與檢索任務(wù)結(jié)束后對(duì)時(shí)間長度之差[28]。在基于主題的細(xì)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(duì)于符合要求的“主題詞-情感詞”作出相應(yīng)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(xì)粒度文本情感分析的最終結(jié)果[29]。

首先，通過輸入觀察序列，即經(jīng)過分詞處理的評(píng)論文本X={x1,x2,x3,…,xn}，計(jì)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(duì)于情感集合中的某一種情感e，從詞粒度計(jì)算某條文本屬于某個(gè)情感類別的概率P(e|t)=，其中P(e)是任何一個(gè)文本屬于情感e的先驗(yàn)概率分布。P(t|e)可進(jìn)一步拆解為詞粒度情感計(jì)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(jì)算的irritation、anxiety、frustration及rage的 情 感 值 代 入AL=U[irritation+anxiety+frustration+rage]×TP中，即可計(jì)算出情感負(fù)荷值，其中tdistance表示兩次情感負(fù)荷測量時(shí)間節(jié)點(diǎn)之間的時(shí)間距離。

用戶黏性：是指個(gè)體對(duì)產(chǎn)品或服務(wù)的忠誠、信任及良性體驗(yàn)而產(chǎn)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(tái)行為的頻率增高、訪問時(shí)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(duì)媒體持續(xù)使用時(shí)間、頻率和深度三個(gè)指標(biāo)對(duì)用戶黏性進(jìn)行測量。Danaher等[33]認(rèn)為黏性可以借助用戶點(diǎn)擊網(wǎng)頁數(shù)量進(jìn)行測量。Kim等[34]認(rèn)為用戶黏性體現(xiàn)在用戶對(duì)媒體的親身體驗(yàn)上，可采用點(diǎn)擊數(shù)據(jù)衡量用戶黏性。總體而言，用戶媒介持續(xù)使用時(shí)間、使用頻率和使用深度三項(xiàng)指標(biāo)多為后來學(xué)者在研究中所采用。因此，本文構(gòu)建了用戶黏性算式：

其中，α+β+γ=1；S(xi)表示第i個(gè)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(shí)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(duì)樣本總體的標(biāo)準(zhǔn)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(duì)社交媒體的使用頻率均值；Si表示用戶對(duì)社交媒體的使用頻率樣本標(biāo)準(zhǔn)差；表示用戶i平均每天持續(xù)使用社交媒體的時(shí)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(shí)間長度比值；α、β和γ分別表示每天持續(xù)使用時(shí)間比值、每次使用時(shí)間長度比值和使用頻率系數(shù)對(duì)應(yīng)的權(quán)重。

4.2 數(shù)據(jù)收集

4.2.1 事件樣本選取

通過對(duì)2015—2020年我國所發(fā)生的突發(fā)事件進(jìn)行梳理和分析，以知名度、媒體報(bào)道程度、危機(jī)關(guān)注度、危機(jī)持續(xù)性、危機(jī)影響力和危機(jī)破壞力6個(gè)維度作為選擇標(biāo)準(zhǔn)[35]，結(jié)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(jìn)行綜合考量，最終確定選擇11個(gè)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(lǐng)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?nèi)粘Ｉ钏佑|、所涉及的領(lǐng)域，均為公眾所熟悉，并與公眾具有較高關(guān)聯(lián)性，因此，公眾在事件上的參與程度整體上相對(duì)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(zhì)，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(shí)間長度的有效性，保證不同主題和不同性質(zhì)的突發(fā)事件信息共生行為在不同時(shí)間節(jié)點(diǎn)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(zhì)、事件重要性、涉及面等維度，并側(cè)重于具有“特定”性質(zhì)的突發(fā)事件，而不將具有“長期性”社會(huì)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(shí)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(dāng)前，國內(nèi)較為成熟的微博平臺(tái)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(dāng)前運(yùn)營最成功，使用規(guī)模、訪問量、注冊(cè)數(shù)及使用率均為最大的微博平臺(tái)。2019年8月，中國互聯(lián)網(wǎng)絡(luò)信息中心（ChinaⅠnternet NetworkⅠnformation Center，CNNⅠC）發(fā)布的第44次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，自2013年開始，搜狐、網(wǎng)易、騰訊等公司對(duì)微博投入力度陸續(xù)減少，微博整體市場進(jìn)入洗牌期。截至2015年6月，微博市場品牌競爭格局已經(jīng)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(jí)城市的新浪微博使用率均在65%以上，全面超越其他微博運(yùn)營商，新浪微博一家獨(dú)大的格局已經(jīng)基本確立和穩(wěn)定。

本研究采用網(wǎng)絡(luò)爬蟲技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行采集。在其數(shù)據(jù)抓取過程中，首先，需要將站點(diǎn)中某一組需要訪問的URL（uniform resource locator，統(tǒng)一資源定位符）設(shè)置為爬行起始地址，采用廣度優(yōu)先爬行策略對(duì)每個(gè)URL指向的頁面信息進(jìn)行抓取，并對(duì)頁面中的內(nèi)容進(jìn)行解析；然后，繼續(xù)抽取下一個(gè)鏈接的URL進(jìn)行頁面爬取和解析，依次反復(fù)爬行，直至程序運(yùn)行結(jié)束，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)平臺(tái)的相關(guān)頁面信息進(jìn)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(shí)長，確定對(duì)各樣本事件信息共生行為的跟蹤時(shí)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(dá)的方便，本文對(duì)所獲取的數(shù)據(jù)進(jìn)行了統(tǒng)一的編號(hào)處理，對(duì)每一位用戶及其轉(zhuǎn)發(fā)的信息賦予唯一的ⅠD編號(hào)。對(duì)數(shù)據(jù)進(jìn)行清洗，包括對(duì)數(shù)據(jù)一致性、重復(fù)數(shù)據(jù)、無效數(shù)據(jù)、缺失值、錯(cuò)誤數(shù)據(jù)等可識(shí)別的不符合要求的數(shù)據(jù)和文件進(jìn)行審查、校驗(yàn)、糾正和處理。經(jīng)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(fù)荷系數(shù)及信息共生系數(shù)三個(gè)變量的面板大數(shù)據(jù)。關(guān)于信息共生（sym）、用戶黏性（stic）與情感負(fù)荷（load）的描述性分析結(jié)果以及正態(tài)分布檢驗(yàn)結(jié)果如圖1所示。

圖1描述性分析結(jié)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(yàn)結(jié)果顯示，各變量的峰度及聯(lián)合檢驗(yàn)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(shè)，即認(rèn)為樣本數(shù)據(jù)不具有正態(tài)分布特征，故后續(xù)相關(guān)模型的構(gòu)建將采用非正態(tài)分布數(shù)據(jù)的模型估計(jì)方法進(jìn)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(yàn)

5 整體效應(yīng)分析

5.1 VAR模型估計(jì)

在進(jìn)行VAR模型構(gòu)建前，本文需要進(jìn)行Granger因果關(guān)系及穩(wěn)定性檢驗(yàn)，以確定一組時(shí)間序列是否為另一組時(shí)間序列的原因，以及VAR模型在參數(shù)和結(jié)構(gòu)設(shè)定上的正確性。對(duì)模型中的變量結(jié)構(gòu)進(jìn)行識(shí)別和檢驗(yàn)，分析信息共生、情感負(fù)荷及用戶黏性之間是否存在顯著性Granger因果關(guān)系，以確定VAR模型結(jié)構(gòu)設(shè)定是否合理。對(duì)應(yīng)的Granger因果檢驗(yàn)結(jié)果如表2所示。

表2 Granger因果關(guān)系檢驗(yàn)

由表2可見，在信息共生、用戶黏性及情感負(fù)荷之間的因果關(guān)系的排除檢驗(yàn)中，各變量及兩兩變量聯(lián)合項(xiàng)的χ2檢驗(yàn)對(duì)應(yīng)的p值均小于0.05的顯著水平，可以拒絕不存在因果關(guān)系的原假設(shè)，表示信息化水平、產(chǎn)業(yè)集聚及創(chuàng)新績效相互間存在因果關(guān)系。因此，在VAR模型構(gòu)建中，本文將信息共生、用戶黏性及情感負(fù)荷作為內(nèi)生變量的變量設(shè)置是合理有效的。

在Granger因果關(guān)系檢驗(yàn)的基礎(chǔ)上，根據(jù)LR檢驗(yàn)，以及FPE、AⅠC、SC、HQ信息準(zhǔn)則最小化的標(biāo)準(zhǔn)，VAR模型的最佳時(shí)間滯后長度為2期。為了確定VAR模型構(gòu)建和設(shè)定的正確性，需對(duì)構(gòu)建的模型進(jìn)行穩(wěn)定性檢驗(yàn)。其單根穩(wěn)定性檢驗(yàn)結(jié)果顯示，代表AR特征根倒數(shù)的模的點(diǎn)均落在單位圓內(nèi)，表明所構(gòu)建的模型均滿足穩(wěn)定性條件，說明所設(shè)置的模型均正確，無需重新構(gòu)建。

以內(nèi)生變量滯后2階建構(gòu)VAR模型，并對(duì)其進(jìn)行模型估計(jì)，其結(jié)果如表3所示。

由表3可知，VAR模型的三個(gè)方程中各項(xiàng)系數(shù)顯著性檢驗(yàn)的|t|值均大于0.05顯著水平對(duì)應(yīng)的臨界值1.96。同時(shí)，可決系數(shù)R2值均大于0.90，表明所構(gòu)建的VAR模型與樣本數(shù)據(jù)擬合度良好，該估計(jì)結(jié)果可用于信息共生、用戶黏性及情感負(fù)荷之間動(dòng)態(tài)影響的相關(guān)分析。

5.2 脈沖響應(yīng)

脈沖響應(yīng)函數(shù)（impulse response function，ⅠRF）是用來分析VAR模型的一種方法，對(duì)模型中的每個(gè)變量間受到外界沖擊時(shí)，其他各變量對(duì)該沖擊所做的響應(yīng)情況，包括響應(yīng)的大小、響應(yīng)滯后長度、響應(yīng)的變化過程等內(nèi)容。為了揭示用戶黏性、情感負(fù)荷及信息共生之間的動(dòng)態(tài)擾動(dòng)特征，在VAR模型估計(jì)基礎(chǔ)上，分別對(duì)情感粒度、信息流動(dòng)及認(rèn)知偏向進(jìn)行脈沖響應(yīng)分析。對(duì)應(yīng)分析結(jié)果如圖2所示。

表3 VAR模型參數(shù)估計(jì)結(jié)果

圖2 脈沖響應(yīng)分析

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

關(guān)于用戶黏性、情感負(fù)荷及信息共生之間存在滯后脈沖影響效應(yīng)，在突發(fā)事件網(wǎng)絡(luò)信息傳播中，當(dāng)用戶黏性和情感負(fù)荷較大時(shí)，用戶可借助群體力量推動(dòng)事件解決，以及通過群體進(jìn)行情感分享以降低情感負(fù)荷，從而可產(chǎn)生較強(qiáng)的群體成員關(guān)系，并易于形成認(rèn)知接近的大量內(nèi)群體。在內(nèi)群體中，成員會(huì)感到自己與群體的關(guān)系十分密切，并對(duì)群體具有強(qiáng)烈的歸屬感。成員經(jīng)由所屬群體獲得其相應(yīng)的利益和感知，并對(duì)所屬群體持有親切、安全、認(rèn)同、熱愛和忠誠等情感，個(gè)體需遵守群體的規(guī)范、價(jià)值觀念等。在影響效應(yīng)上，相對(duì)外群體而言，內(nèi)群體對(duì)用戶的影響更加明顯。無論是在社會(huì)規(guī)范、行為方式，還是生活習(xí)慣上，個(gè)人都傾向于與所屬群體保持一致。因此，用戶黏性和情感負(fù)荷易于形成群體成員的從眾效應(yīng)，進(jìn)而形成信息共生。同時(shí)，當(dāng)突發(fā)事件產(chǎn)生后，由于用戶在信息交互過程中伴隨時(shí)間壓力而出現(xiàn)的不確定性，可產(chǎn)生用戶情感負(fù)荷，個(gè)體的有限理性可引起用戶的從眾心理，進(jìn)而在用戶群體中出現(xiàn)信息共生行為。

5.3 貢獻(xiàn)率分解

為了比較用戶黏性、情感負(fù)荷及信息共生相互擾動(dòng)效應(yīng)的大小，從而識(shí)別出不同影響因素對(duì)用戶黏性、情感負(fù)荷及信息共生影響的重要程度，需在上述各影響因素動(dòng)態(tài)擾動(dòng)特征分析的基礎(chǔ)上，分別對(duì)各影響因素的波動(dòng)貢獻(xiàn)率進(jìn)行方差分解，具體結(jié)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(guān)的影響較大且快速下降，情感負(fù)荷的影響相對(duì)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(gè)過程中對(duì)波動(dòng)的貢獻(xiàn)率較小。對(duì)于整個(gè)過程，情感負(fù)荷對(duì)信息共生波動(dòng)的貢獻(xiàn)率約為61%，信息共生自相關(guān)效應(yīng)約為30%，用戶黏性影響效應(yīng)約為9%。情感負(fù)荷對(duì)用戶黏性波動(dòng)的貢獻(xiàn)率約為47%，用戶黏性自相關(guān)效應(yīng)約為27%，信息共生的影響效應(yīng)約為26%。情感負(fù)荷自相關(guān)效應(yīng)對(duì)情感負(fù)荷波動(dòng)的貢獻(xiàn)率約為65%，信息共生影響效應(yīng)約為21%，用戶黏性影響效應(yīng)約為14%。

6 邊際效應(yīng)分析

6.1 邊際影響力

在上述脈沖波動(dòng)分析的基礎(chǔ)上，為了進(jìn)一步了解用戶黏性、情感負(fù)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(duì)各變量之間邊際影響力的變化過程進(jìn)行分析，揭示用戶黏性、情感負(fù)荷及信息共生之間影響效應(yīng)的波動(dòng)過程特征。其狀態(tài)空間模型分析結(jié)果如圖4～圖6所示。

圖4顯示，用戶黏性與情感負(fù)荷對(duì)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(duì)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(fù)荷對(duì)信息共生系數(shù)的邊際影響力先波動(dòng)上升、后快速下降。在事件演化過程中，情感負(fù)荷和用戶黏性對(duì)信息共生的邊際影響效應(yīng)的均較大，且持續(xù)的時(shí)間均較長，約為八期。

圖5顯示，用戶黏性與信息共生對(duì)情感負(fù)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(duì)情感負(fù)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(duì)情感負(fù)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(duì)情感負(fù)荷的邊際影響效應(yīng)的均較大，且持續(xù)的時(shí)間均較長，約為十期。

圖6顯示，信息共生與情感負(fù)荷對(duì)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(duì)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(fù)荷對(duì)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(fù)荷和信息共生對(duì)用戶黏性的邊際影響效應(yīng)的均較大，且持續(xù)的時(shí)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(fù)荷邊際影響分析

圖6 用戶黏性邊際影響分析

關(guān)于用戶黏性、情感負(fù)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(dāng)邊際影響力達(dá)到一定數(shù)值后，則呈遞減特征。經(jīng)濟(jì)學(xué)中的效應(yīng)理論指出，事物給人們帶來的效用是個(gè)體對(duì)事物消費(fèi)行為的一種心理感受，消費(fèi)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(yīng)。而邊際效用遞減規(guī)律強(qiáng)調(diào)，在消費(fèi)初期，主體體驗(yàn)到的刺激較大，從而產(chǎn)生的滿足感較強(qiáng)，并隨著同一事物刺激的不斷增加，個(gè)體在心理上的興奮程度和滿足感會(huì)隨之逐漸增加，即隨著消費(fèi)數(shù)量的增加，其效用不斷升高。但當(dāng)該消費(fèi)達(dá)到某一臨界點(diǎn)時(shí)，隨著消費(fèi)數(shù)量的增加，其新增加的消費(fèi)部分所帶來的效用增長則呈逐漸減少趨勢。因此，在網(wǎng)絡(luò)用戶對(duì)突發(fā)事件信息的消費(fèi)（即獲取、認(rèn)知及分享等行為）過程中，隨著時(shí)間的推移，當(dāng)該消費(fèi)增長到某臨界點(diǎn)時(shí)，其邊際效用則達(dá)到最大值，其后隨著對(duì)信息消費(fèi)的持續(xù)增加，用戶獲得的邊際效用則會(huì)逐漸減小，從而相應(yīng)的信息行為和認(rèn)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(huì)角色和認(rèn)知心理上的差異，從而導(dǎo)致不同性別、年齡和學(xué)歷的群體在用戶黏性、情感負(fù)荷及信息共生之間的影響效應(yīng)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(duì)數(shù)據(jù)進(jìn)行擬合和分析。

根據(jù)樣本數(shù)據(jù)計(jì)算出

與

的統(tǒng)計(jì)值，并查閱F分布表，結(jié)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(duì)樣本數(shù)據(jù)進(jìn)行擬合。為了進(jìn)一步判定該模型是隨機(jī)效應(yīng)還是固定效應(yīng)，需要對(duì)模型進(jìn)行Hausman檢驗(yàn)。同時(shí)，Hausman檢驗(yàn)結(jié)果顯示，對(duì)應(yīng)統(tǒng)計(jì)量大于0.05顯著水平下的χ2臨界值，可以拒絕隨機(jī)效應(yīng)模型中個(gè)體因素與自變量不相關(guān)的原假設(shè)，故應(yīng)構(gòu)建固定效應(yīng)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(yīng)變截距模型，stic方程需采用隨機(jī)效應(yīng)變系數(shù)模型。

本文使用Eviews 10.0計(jì)量軟件對(duì)模型進(jìn)行擬合，其擬合結(jié)果如表4所示。

表4 群組面板模型擬合結(jié)果

表4擬合結(jié)果顯示，從縱向數(shù)據(jù)來看，根據(jù)各變量系數(shù)大小，對(duì)于信息共生方程，情感負(fù)荷變量的系數(shù)β1值呈現(xiàn)出大于用戶黏性變量對(duì)應(yīng)的系數(shù)γ1值，表明情感負(fù)荷對(duì)信息共生的影響效應(yīng)大于用戶黏性的影響效應(yīng)。對(duì)于用戶黏性方程，情感負(fù)荷變量的系數(shù)β2值呈現(xiàn)出大于信息共生變量對(duì)應(yīng)的系數(shù)γ2值，表明情感負(fù)荷對(duì)用戶黏性的影響效應(yīng)大于信息共生的影響效應(yīng)。對(duì)于情感負(fù)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(duì)應(yīng)的系數(shù)γ3值，表明用戶黏性對(duì)情感負(fù)荷的影響效應(yīng)大于信息共生的影響效應(yīng)。

從橫向數(shù)據(jù)來看，對(duì)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(fù)荷變量的系數(shù)β1值和用戶黏性變量系數(shù)γ1值，結(jié)果顯示：對(duì)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(xué)歷群組中，小學(xué)及以下群組最大，中學(xué)群組較大，大學(xué)及以上群組最小。

在用戶群組分析中，各影響效應(yīng)存在人口統(tǒng)計(jì)學(xué)變量的差異性，該差異的產(chǎn)生主要原因可能是由于不同群體的社會(huì)特征和社會(huì)角色的差異性所導(dǎo)致。一般性信息行為理論指出，用戶的不同職業(yè)和社會(huì)角色會(huì)對(duì)人們的信息行為產(chǎn)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(huì)文化性別差異的影響。群體在性別上的生理差異經(jīng)由社會(huì)規(guī)范、社會(huì)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(shí)，不同年齡階段的群體扮演著不同的社會(huì)角色，承擔(dān)著不同的社會(huì)責(zé)任，從而對(duì)不同年齡段個(gè)體的信息思維模式、認(rèn)知方式以及行為特征產(chǎn)生重要影響。在用戶文化程度方面，由于教育學(xué)習(xí)是人們通過后天努力來改變和重塑自己思維和認(rèn)知方式的重要途徑，高學(xué)歷者通過對(duì)更多科學(xué)知識(shí)的學(xué)習(xí)和更多正式的訓(xùn)練，從而提高其對(duì)事物的認(rèn)知和態(tài)度，相對(duì)于低學(xué)歷者，高學(xué)歷者對(duì)事物有著更審慎、更科學(xué)的思考和認(rèn)知，使得不同學(xué)歷的個(gè)體在對(duì)事物的認(rèn)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(jì)方法方面考慮模型估計(jì)結(jié)果的穩(wěn)健性，在VAR模型脈沖響應(yīng)分析時(shí)，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(qiáng)加一個(gè)次序，并將所有影響變量的公共因素歸結(jié)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(gòu)建一個(gè)不依賴于VAR模型中變量次序的正交化殘差矩陣。而在進(jìn)行區(qū)域差異性分析時(shí)，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(duì)面板模型進(jìn)行估計(jì)。兩種方法的估計(jì)結(jié)果及差異性檢驗(yàn)如表5所示。

表5 穩(wěn)健性分析結(jié)果

在狀態(tài)空間模型中，其算法包括“Marquardt”和“BHHH”估計(jì)方法。前文采用Marquardt進(jìn)行估計(jì)，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(yùn)算多元變量模型的殘差項(xiàng)的方差與協(xié)方差矩陣，并運(yùn)算新的搜索方向，以獲得收斂的最佳算法。兩種方法估計(jì)結(jié)果及差異性檢驗(yàn)如表5所示。

根據(jù)表5穩(wěn)健性分析結(jié)果，采用上述替代方法進(jìn)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(yàn)p值均大于0.05的顯著水平。檢驗(yàn)結(jié)果顯示，采用替代方法估計(jì)后的各模型參數(shù)值在邏輯關(guān)系和邏輯結(jié)構(gòu)上與初始所采用的指標(biāo)建構(gòu)的模型分析結(jié)果一致，表明上述建構(gòu)的理論模型和分析結(jié)果具有良好的穩(wěn)健性。

8 結(jié)論與啟示

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

（1）當(dāng)信息共生、用戶黏性及情感負(fù)荷受到一個(gè)正向沖擊時(shí)，信息共生迅速產(chǎn)生自相關(guān)沖擊，并呈現(xiàn)負(fù)向增加。用戶黏性和情感負(fù)荷的每次沖擊帶來的影響并非迅速傳導(dǎo)至信息共生，在整個(gè)過程中均呈現(xiàn)右偏態(tài)分布特征。其中，情感負(fù)荷影響效應(yīng)最大，且較大值持續(xù)的時(shí)間最長，用戶黏性沖擊和信息共生自相關(guān)效應(yīng)均較大。用戶黏性自相關(guān)效應(yīng)和信息共生的沖擊對(duì)用戶黏性迅速產(chǎn)生影響，而情感負(fù)荷沖擊的影響并非迅速傳導(dǎo)至用戶黏性。用戶黏性沖擊和情感負(fù)荷自相關(guān)效應(yīng)均迅速對(duì)情感負(fù)荷產(chǎn)生正向影響，而信息共生的沖擊并未迅速對(duì)情感負(fù)荷產(chǎn)生影響。

（2）在信息共生方差分解中，對(duì)于整個(gè)演化過程，情感負(fù)荷對(duì)信息共生波動(dòng)的貢獻(xiàn)率最大，信息共生自相關(guān)效應(yīng)較大，用戶黏性影響效應(yīng)較小。在用戶黏性方差分解中，情感負(fù)荷對(duì)用戶黏性波動(dòng)的貢獻(xiàn)率最大，用戶黏性自相關(guān)效應(yīng)較大，信息共生的影響效應(yīng)較小。在情感負(fù)荷方差分解中，情感負(fù)荷自相關(guān)效應(yīng)對(duì)情感負(fù)荷波動(dòng)的貢獻(xiàn)率最大，信息共生影響效應(yīng)較大，用戶黏性影響效應(yīng)較小。

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

（4）情感負(fù)荷對(duì)信息共生的影響效應(yīng)大于用戶黏性的影響效應(yīng)，情感負(fù)荷對(duì)用戶黏性的影響效應(yīng)大于信息共生的影響效應(yīng)，用戶黏性對(duì)情感負(fù)荷的影響效應(yīng)大于信息共生的影響效應(yīng)。情感負(fù)荷和用戶黏性對(duì)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?。辉趯W(xué)歷群組上，小學(xué)及以下群組最大，中學(xué)群組較大，大學(xué)及以上群組最小。

關(guān)于用戶黏性對(duì)用戶信息共生行為具有滯后影響效應(yīng)的研究結(jié)論，雖然過去未有與此相關(guān)的研究，但過去研究結(jié)論的推演或隱含的推論與本文的研究結(jié)論相吻合，可獲得相關(guān)研究的支持。弱關(guān)系理論指出，在人際關(guān)系較弱的社會(huì)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(gè)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(chǎn)生從眾效應(yīng)，其信息共生性也越弱。如果該系統(tǒng)主要由較強(qiáng)關(guān)系成員構(gòu)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(qiáng)關(guān)系傳播的信息更可能局限于較小的社會(huì)空間范圍。由于人們習(xí)慣于通過該強(qiáng)關(guān)系圈子進(jìn)行交流，個(gè)體主動(dòng)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(dāng)用戶黏性較大時(shí)，人們易于產(chǎn)生信息從眾心理，其信息共生性也越高。

關(guān)于情感負(fù)荷對(duì)用戶信息共生行為具有滯后影響效應(yīng)的研究結(jié)論，雖然過去未有與此相關(guān)的研究，但過去研究結(jié)論的推演或隱含的推論與本文的研究結(jié)論相吻合，可獲得相關(guān)研究的支持。信息級(jí)聯(lián)理論指出，人們?cè)谀承┣榫诚拢瑑A向于認(rèn)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(rèn)知保持一致[37]。其中，影響人們信息級(jí)聯(lián)的一個(gè)重要因素為情感負(fù)荷，當(dāng)個(gè)體存在較大情感負(fù)荷時(shí)，個(gè)體易受到外部群體的引導(dǎo)，導(dǎo)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(duì)事物易于產(chǎn)生信息共生行為[38]。

關(guān)于用戶黏性、情感負(fù)荷與信息共生行為之間的邊際影響隨著時(shí)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(guān)的研究，但過去研究結(jié)論的推演或隱含的推論與本文的研究結(jié)論相吻合，可獲得相關(guān)研究的支持。解釋水平理論認(rèn)為，人們對(duì)心理距離較遠(yuǎn)的事物更傾向于采用高解釋水平的核心、本質(zhì)和去背景化的特征加以表征，而對(duì)心理距離較遠(yuǎn)的事物則傾向于采用低解釋水平的次要、非本質(zhì)和背景化的特征加以表征[39]。其中，心理距離會(huì)受到時(shí)間距離的影響，在突發(fā)事件中，時(shí)間距離越近，人們對(duì)事件的理解和接受程度的心理距離就越大；時(shí)間距離越遠(yuǎn)，人們對(duì)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(fù)荷與信息共生行為之間的邊際影響會(huì)隨著時(shí)間的推移而產(chǎn)生規(guī)律性變化。同時(shí)，精細(xì)化加工可能性模型指出，說服個(gè)人態(tài)度形成或改變的過程有兩條路徑：一條路徑是個(gè)體會(huì)根據(jù)嚴(yán)謹(jǐn)?shù)倪壿嬎悸穼?duì)信息深度加工的中心化路徑；另一條路徑是個(gè)體主要根據(jù)周圍的環(huán)境特征或線索對(duì)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(shí)間距離的不斷增大，用戶的心理距離逐漸變小，人們對(duì)信息的解釋由高水平逐漸向低水平轉(zhuǎn)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?qiáng)化了用戶網(wǎng)格式信息加工路徑，邊緣路徑則強(qiáng)化了用戶點(diǎn)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(dǎo)致了用戶黏性、情感負(fù)荷與信息共生行為之間的邊際影響隨著時(shí)間的推移而呈現(xiàn)倒U形特征。

該研究結(jié)論對(duì)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(fù)荷對(duì)信息共生的沖擊影響效應(yīng)較大，且情感負(fù)荷對(duì)信息共生的邊際影響效應(yīng)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(yīng)重點(diǎn)加強(qiáng)用戶情感引導(dǎo)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(dǎo)和情感擴(kuò)散控制的最佳時(shí)間。同時(shí)，降低因用戶黏性而引起的不準(zhǔn)確信息的快速擴(kuò)散，以及因客觀信息披露不及時(shí)而導(dǎo)致用戶信息的共生效應(yīng)，從而引起小道消息的快速和廣泛流動(dòng)。通過對(duì)用戶情感的疏導(dǎo)和信息共生現(xiàn)象的管控，及時(shí)搶占網(wǎng)絡(luò)話語的主動(dòng)權(quán)，降低用戶認(rèn)知偏差的產(chǎn)生和聚變。其次，由于情感負(fù)荷的自相關(guān)滯后效應(yīng)和用戶黏性的沖擊對(duì)情感負(fù)荷存在顯著影響，情感負(fù)荷沖擊和用戶黏性自相關(guān)效應(yīng)對(duì)用戶黏性存在顯著影響。因此，通過對(duì)用戶情感負(fù)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(shí)，通過對(duì)用戶黏性的管控，既能減少用戶信息共生的負(fù)面效應(yīng)，又能降低用戶因情感負(fù)荷增大而引起情緒極化的風(fēng)險(xiǎn)。也就是說，通過對(duì)突發(fā)事件中用戶情感負(fù)荷和用戶黏性的管控，可較好地實(shí)現(xiàn)降低用戶情感負(fù)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(shí)現(xiàn)關(guān)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(fēng)險(xiǎn)。最后，由于情感負(fù)荷、用戶黏性及信息共生之間相互影響效應(yīng)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(duì)用戶信息共生行為可采取用戶細(xì)分差異化策略，根據(jù)不同用戶類型制定有針對(duì)性的監(jiān)控和管理措施。具體而言，在進(jìn)行情感引導(dǎo)、用戶黏性管控及信息共生監(jiān)控過程中，在性別方面，應(yīng)加強(qiáng)對(duì)女性用戶的重點(diǎn)監(jiān)控；在年齡層面，應(yīng)重點(diǎn)加強(qiáng)對(duì)29歲及以下用戶的引導(dǎo)和監(jiān)管，其次為30～49歲的用戶。