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(tǒng)主流媒體產(chǎn)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(fā)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(fā)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(chǎn)生不可忽略的影響。

根據(jù)微博數(shù)據(jù)中心發(fā)布的《2020年微博用戶發(fā)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(jù)2021年最新數(shù)據(jù)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(fā)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(jīng)成為絕大多數(shù)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(wǎng)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(wǎng)絡輿情傳播模型[1]；丁海昕等使用神經(jīng)網(wǎng)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(shù)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(wǎng)絡輿情傳播研究[3]；顧秋陽等基于社交網(wǎng)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(wǎng)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(wǎng)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(wǎng)絡輿情傳播狀態(tài)[7]；馬秀娟基于BA無標度的復雜有向網(wǎng)絡建立輿情演化模型[8]；于凱對雙層耦合網(wǎng)絡模型（BCNM）的構建及其上的信息傳播模型和節(jié)點傳播影響力及傳播控制策略等內(nèi)容進行了研究[9]；韋相研究了雙層關聯(lián)網(wǎng)絡協(xié)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(shù)系統(tǒng)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(tǒng)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(tài)轉(zhuǎn)移關系如圖1所示。SEIR模型中，將系統(tǒng)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(wǎng)民狀態(tài)相對應。易感者（S態(tài)）在接觸到感染者之后，一部分易感者以一定的概率變?yōu)闈摲撸‥態(tài)），潛伏者以一定的概率變成感染者（I態(tài)），感染者再以一定的概率恢復成免疫者（R態(tài)）。

圖1 傳統(tǒng)SEIR模型狀態(tài)轉(zhuǎn)移關系

互聯(lián)網(wǎng)用戶在現(xiàn)實世界或互聯(lián)網(wǎng)上得到消息后，在社交媒體上傳播信息、發(fā)表觀點、交流互動，這是輿情事件中的主體部分?；赟EIR模型，網(wǎng)民的狀態(tài)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(wǎng)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(zhuǎn)發(fā)的網(wǎng)民；感染者是指通過評論、轉(zhuǎn)發(fā)、共享等方式傳播信息的網(wǎng)民；免疫者是指對信息失去興趣退出傳播過程的網(wǎng)民。

互聯(lián)網(wǎng)用戶的感染概率與鄰居節(jié)點轉(zhuǎn)發(fā)人數(shù)的關系表示為：

式中：k為鄰居節(jié)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(xù)區(qū)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(shù)；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(xù)區(qū)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(zhuǎn)發(fā)該條消息人數(shù)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(zhuǎn)化為感染者的概率b。

3.2 媒體引導

媒體是網(wǎng)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(wǎng)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(wǎng)民產(chǎn)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(wǎng)民知道輿情信息，而對于網(wǎng)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(xiàn)在促進易感者向潛伏者轉(zhuǎn)化。

在受到媒體引導作用時，用戶由易感者變?yōu)闈摲叩母怕适苊襟w權威性和報道力度的影響。媒體節(jié)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(xù)區(qū)間[0,1]取值，值越大媒體發(fā)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(fā)布信息引導用戶傳播信息的力度。在連續(xù)區(qū)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(jiān)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(fā)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(xiàn)在促進潛伏者、感染者向免疫者轉(zhuǎn)化，對處于其他狀態(tài)的主體不進行干預。

在受到政府干預時，用戶由潛伏狀態(tài)或傳播狀態(tài)變?yōu)槊庖郀顟B(tài)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(xù)區(qū)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(xù)區(qū)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(tài)轉(zhuǎn)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?yōu)闈摲?，O表示潛伏者、感染者在政府干預作用下不再傳播信息變?yōu)槊庖哒摺?/p>

圖2 改進后微博、微信用戶狀態(tài)轉(zhuǎn)移關系

2021年11月26 日，據(jù)媒體報道，南非國家傳染病研究所25日發(fā)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(fā)網(wǎng)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(shù)據(jù)來源為輿情分析平臺“知微事件”中事件“南非發(fā)現(xiàn)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(chǎn)生的信息條數(shù)作為感染者數(shù)量。設各個平臺總人數(shù)分別為25000人、15000人、3000人，對數(shù)據(jù)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(shù)N0=1000。初始感染者數(shù)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(shù)據(jù)中，每兩組實際數(shù)據(jù)間插值四組數(shù)據(jù)，共獲得196組數(shù)據(jù)作為案例數(shù)據(jù)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(shù)據(jù)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(shù)達到最大值，波動最為明顯的波段為第18天出現(xiàn)小幅度回升至第20天后再度下降，第40天感染者人數(shù)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(wěn)定性。

表1 案例相關數(shù)據(jù)

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

圖5展示了跨平臺數(shù)據(jù)的三次樣條插值擬合結果。感染者比例曲線仍然呈現(xiàn)波動式下降的趨勢。其中第4天感染者人數(shù)達到最大值，波動最明顯的波段與微博、微信數(shù)據(jù)相吻合，第17天后開始出現(xiàn)上升，至第19天后回落，第40天感染者人數(shù)達到最小值。綜合微博、微信數(shù)據(jù)來看，跨平臺數(shù)據(jù)波動程度比微信數(shù)據(jù)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(guī)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(shù)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(wěn)態(tài)易感者數(shù)量，單位數(shù)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(wěn)態(tài)易感者數(shù)量明顯下降，輿情傳播速率增快，說明媒體引導使得網(wǎng)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(wěn)態(tài)易感者數(shù)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(fā)展，讓更多互聯(lián)網(wǎng)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(xié)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(fā)聲，以引起更多網(wǎng)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(lián)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(wǎng)絡信息，推動真實信息在互聯(lián)網(wǎng)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(fā)現(xiàn)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。