基于系統(tǒng)動力學(xué)的大學(xué)生線上下輿情聯(lián)動研究

李宗偉，王澤凱，夏偉偉

(上海應(yīng)用技術(shù)大學(xué)，上海 201418)

1 引言

隨著自媒體的興起，微博、知乎、豆瓣等網(wǎng)站成了人們重要的發(fā)聲渠道和交流平臺，自媒體的發(fā)展也導(dǎo)致了原本單一、偶發(fā)的事件很容易迅速演化成網(wǎng)絡(luò)集群行為。當(dāng)今高校大學(xué)生在面臨學(xué)校不合理政策時，出現(xiàn)了通過同時利用線上線下進(jìn)行輿論造勢的方法來倒逼學(xué)校解決問題的新態(tài)勢。以去年新冠疫情期間高校普遍實(shí)行的封閉管理政策為例，由于學(xué)生和教職工出校政策不一致、校內(nèi)食堂趁機(jī)漲價、學(xué)生生活如洗澡取快遞等諸多不便、社交需求不被滿足、本校封閉管理同其它高校開放的對比，這一系列影響因素造成了學(xué)生的不滿情緒不斷積累并爆發(fā)了“喊樓”事件。學(xué)生們高喊“解封、放假”的口號，并上傳了部分視頻到微博、知乎等網(wǎng)站上。同時學(xué)生們借助QQ、微信群傳播、微博上的二次發(fā)酵擴(kuò)大事件影響力，利用輿論壓力迫使學(xué)校提出解決方案。自媒體、營銷號、意見領(lǐng)袖等群體等也進(jìn)行跟進(jìn)，借此提高個人關(guān)注度。而高校為避免事態(tài)失控，首先通過輔導(dǎo)員告知學(xué)生刪除不當(dāng)言論并禁止參與討論，其次做出了部分妥協(xié)滿足學(xué)生需求。至此學(xué)生的部分權(quán)益等到了實(shí)現(xiàn)，高校維護(hù)了輿論穩(wěn)定，事件告一段落并逐漸被人們遺忘。新形勢下這類網(wǎng)絡(luò)輿情事件還具有了一定的“傳染性”，當(dāng)某高校的學(xué)生通過這類行為取得成效后，其他高校學(xué)生也爭相效仿。因此研究這類線上線下輿情聯(lián)動事件的發(fā)展演化過程對從源頭上杜絕此類事件的發(fā)生以及快速平息事件影響力具有重要的意義。

針對線上線下輿情演化，近年來國內(nèi)學(xué)者有已有不少研究成果。葉瓊元等以線上線下互動量和趨同量作為耦合度衡量的指標(biāo)，并最終以耦合度為標(biāo)準(zhǔn)分析線上線下聯(lián)系的演化過程[1]。遲鈺雪等基于超網(wǎng)絡(luò)理論，以輿情在現(xiàn)實(shí)空間和虛擬空間的信息傳播和觀點(diǎn)交互為研究對象，構(gòu)建了基于超網(wǎng)絡(luò)的線上線下輿情演化模型[2]。沈乾等提出了多層同步網(wǎng)絡(luò)模型的概念，并定量分析了線上網(wǎng)絡(luò)與線下網(wǎng)絡(luò)之間在輿情傳播過程中的相互影響[3]。王世雄等從多層網(wǎng)絡(luò)視角入手，以線上線上互動網(wǎng)絡(luò)為基本結(jié)構(gòu)，結(jié)合共識理論、沖突理論和社會判斷理論，抽取了兩層網(wǎng)絡(luò)互動機(jī)制和社會個體之間的交互規(guī)則，建立了社會共識涌現(xiàn)模型及其算法[4]。李勇等以“成都女司機(jī)被打”事件為例，對線上線下表達(dá)數(shù)據(jù)進(jìn)行數(shù)理統(tǒng)計(jì)和時間序列分析，比較了情感的線上線下情感傳播差異，并從傳播環(huán)境、傳播方式、表達(dá)約束、網(wǎng)絡(luò)結(jié)構(gòu)和用戶行為等方面對線上線下情感傳播影響因素進(jìn)行了分析[5]。朱恒民等通過 Price 有向無標(biāo)度網(wǎng)絡(luò)和 WS 小世界網(wǎng)絡(luò)完成了線上線下互動的耦合網(wǎng)絡(luò)模型的構(gòu)建[6]。于凱等構(gòu)建了線上線下的雙層耦合網(wǎng)絡(luò)模型，并結(jié)合傳播學(xué)和社會心理學(xué)理論，提出了層間對稱和非對稱的促進(jìn)-抑制輿情傳播機(jī)制[7]。姚翠友基于微博用戶屬性和行為分析，綜合考慮微博輿情演化的主要推動因素及其關(guān)聯(lián)關(guān)系，應(yīng)用元胞自動機(jī)方法，構(gòu)建了社會事件的微博輿情演化模型[8]。

從以上研究成果可以看出，目前針對線上線下輿情仿真所使用的模型主要包括多層耦合網(wǎng)絡(luò)模型、STS模型、元胞自動機(jī)等，從系統(tǒng)動力學(xué)視角開展研究還比較少。此外以上研究領(lǐng)域也局限在無外力推動情況下輿情在線上和線下相互影響的過程，但是對于當(dāng)前“大學(xué)生喊樓”這種首先在線下爆發(fā)群體性事件，然后人為在線上擴(kuò)大影響力的主觀操縱下線上線下輿情發(fā)展的新態(tài)勢卻暫無研究。綜上所述，本文將基于系統(tǒng)動力學(xué)的視角，構(gòu)建線上線下輿情聯(lián)動這一新形勢下大學(xué)生網(wǎng)絡(luò)輿情演化模型。

2 系統(tǒng)動力學(xué)建模

2.1 系統(tǒng)動力學(xué)建模可行性分析

系統(tǒng)動力學(xué)(system dynamics，SD)是系統(tǒng)科學(xué)理論與計(jì)算機(jī)仿真緊密結(jié)合、研究系統(tǒng)反饋結(jié)構(gòu)與行為的一門科學(xué)，是系統(tǒng)科學(xué)與管理科學(xué)的一個重要分支[9]。本文研究的網(wǎng)絡(luò)輿情演化系統(tǒng)是一個非線性的系統(tǒng)，系統(tǒng)內(nèi)部各影響因素之間沒有直接的線性關(guān)系。網(wǎng)絡(luò)輿情演化系統(tǒng)具有反饋環(huán)節(jié)，內(nèi)部各影響因素相互影響。由于系統(tǒng)動力學(xué)在研究復(fù)雜的非線性系統(tǒng)方面具有巨大的優(yōu)勢，因此運(yùn)用系統(tǒng)動力學(xué)建模解決網(wǎng)絡(luò)輿情演化的問題是合適可行的。

2.2 模型邊界

本文以學(xué)校、學(xué)生、網(wǎng)媒、行為事件為主體，主要研究在線上線下輿情演化下各主體之間的相互作用。以及當(dāng)產(chǎn)生網(wǎng)絡(luò)集群事件時，如何同學(xué)生進(jìn)行溝通和引導(dǎo)，避免過激行為發(fā)生，造成不良的社會影響。本模型暫不考慮其它主體的影響。

2.3 建模步驟

本文所構(gòu)建的新形勢下大學(xué)生線上線下輿情聯(lián)動模型主要分為學(xué)生、學(xué)校、媒體三個模塊。首先物價上漲、生活不便等諸多因素導(dǎo)致了學(xué)生負(fù)面情緒積累，因此爆發(fā)了大學(xué)生線下集群行為。同時在線上，學(xué)生們利用多種社交平臺將線下爆發(fā)的集群事件進(jìn)行發(fā)酵擴(kuò)散，抬高輿情熱度。嗅覺敏銳的媒體也會跟進(jìn)報道，進(jìn)一步擴(kuò)大了事件影響力。輿情壓力之下，學(xué)校的處理能力開始提高。一方面學(xué)校逐步滿足學(xué)生的要求，提高學(xué)生的滿意度，降低不滿情緒。另一方面要求學(xué)生刪除網(wǎng)上不當(dāng)言論并禁止參與討論，這降低了網(wǎng)絡(luò)輿情熱度，緩解了學(xué)校的輿論壓力。具體模型框架如圖1所示。

圖1 模型框架圖

2.4 因果回路圖

根據(jù)模型框架圖和系統(tǒng)邊界構(gòu)建模型因果回路圖如圖2所示。從圖2可以看出，主要包括2個回路圖，一個正反饋環(huán)和一個負(fù)反饋環(huán)。

圖2 網(wǎng)絡(luò)輿情因果回路圖

2.4.1 媒體子系統(tǒng)

圖3 媒體子系統(tǒng)因果回路圖

網(wǎng)絡(luò)輿情熱情升高(或者降低)→學(xué)生關(guān)注度升高(或者降低)→新聞瀏覽量升高(或者降低)→新聞總數(shù)升高(或者降低)→學(xué)生參與度(或者降低)→網(wǎng)絡(luò)輿情熱度升高(或者降低)

2.4.2 學(xué)校處理子系統(tǒng)

圖4 學(xué)校處理子系統(tǒng)因果回路圖

網(wǎng)絡(luò)輿情熱度升高(或者降低)→學(xué)生處理能力升高(或者降低)→學(xué)生滿意度升高(或者降低)→負(fù)面情緒降低(或者升高)→大學(xué)生線下集群行為降低(或者升高)→網(wǎng)略輿情熱度降低(或者升高)

2.5 存量流量圖

圖5 網(wǎng)略輿情流量存量圖

2.5.1 主要變量關(guān)系

1)網(wǎng)絡(luò)輿情熱度=0.2*學(xué)生參與度+0.2*網(wǎng)媒作用力+0.6*大學(xué)生線下集體行為

構(gòu)造思路：權(quán)重值由人民網(wǎng)輿情頻道中計(jì)算網(wǎng)略輿情熱度的方法可得

2) 學(xué)生關(guān)注度=0.4*網(wǎng)絡(luò)輿情熱度

3) 新聞瀏覽量=2.9818*10＾4*學(xué)生關(guān)注度

構(gòu)造思路：通過收集微博、知乎等平臺上關(guān)于“大學(xué)生喊樓”事件的相關(guān)數(shù)據(jù)，利用MATLAB軟件進(jìn)行擬合得到

4) 新聞增加量=新聞瀏覽量*轉(zhuǎn)發(fā)率

5)新聞減少量=新聞沉寂系數(shù)*新聞總數(shù)+學(xué)校處理能力

6)學(xué)生參與度=50-5.18*EXP(-7.64＾(-10)*新聞總數(shù))

張一文等在基于系統(tǒng)動力學(xué)研究網(wǎng)略輿情演化方面與本文情景類似，此處直接參考張一文的研究成果[10]。

7)網(wǎng)媒作用力=網(wǎng)媒影響率*網(wǎng)媒報道頻率/1000

構(gòu)造思路：網(wǎng)媒報道頻率用表函數(shù)來表示，數(shù)據(jù)是通過對微博10萬粉絲以上的官方或自媒體賬號所發(fā)布的信息頻次進(jìn)行記錄。

8)負(fù)面情緒增加量=0.5*教職工待遇不一致+0.1*其余高校對比+0.1*物價上漲+0.1*生活不便+0.1*社交需求不被滿足

構(gòu)造思路：通過爬取知乎上“如何評價合肥工業(yè)大學(xué)占用十一假期舉辦運(yùn)動會并上課，這一安排是否合理？”以及“西安外國語大學(xué)因長期封校致物價上漲，學(xué)生集體喊樓，校方稱將簡化學(xué)生外出報備程序等，反映了什么問題？”問題下共992個回答，分析統(tǒng)計(jì)學(xué)生累計(jì)提到的問題頻次，得到系數(shù)。

9) 負(fù)面情緒減少量=時間系數(shù)*負(fù)面情緒積累*學(xué)生滿意度

10)學(xué)生滿意度=學(xué)校處理能力*0.4

構(gòu)造思路：通過同當(dāng)事學(xué)生進(jìn)行訪談，得到對學(xué)校政策滿意系數(shù)。

11)學(xué)校處理能力變化量=網(wǎng)絡(luò)輿情熱度*(響應(yīng)速度+學(xué)校公信力)/1000

3 模型的仿真研究

3.1 案例概述

圖6 合肥工業(yè)大學(xué)“喊樓”事件發(fā)展始末

3.2 模型參數(shù)估計(jì)

3.2.1 常量參數(shù)

參數(shù)取值通過采訪當(dāng)事學(xué)生群體、爬取微博知乎上數(shù)據(jù)以及查閱相關(guān)文獻(xiàn)資料確定，見表1。

表1 模型的常量參數(shù)

3.2.2 表函數(shù)

網(wǎng)媒報道頻率數(shù)據(jù)是通過對微博10萬粉絲以上的官方或自媒體賬號所發(fā)布的信息頻次進(jìn)行統(tǒng)計(jì)，記錄了2020年9月20日至9月30日的數(shù)據(jù)。網(wǎng)媒報道頻率=WITHLOOKUP(Time，[(0，0)-(10，200)]，(0，0)，(1，133)，(2，146)，(3，54)，(4，111)，(5，27)，(6，12)，(7，9)，(8，6)，(9，3)，(10，1)，(11，2)))，如圖7。

圖7 網(wǎng)媒報道頻率表函數(shù)

3.3 模型有效性驗(yàn)證

3.3.1 模型驗(yàn)證

使用Vensim軟件的Check Model功能，檢驗(yàn)結(jié)果為“Model is OK”，說明模型沒有問題。

3.3.2 案例驗(yàn)證

百度指數(shù)(Baidu Index)是以百度海量網(wǎng)民行為數(shù)據(jù)為基礎(chǔ)的數(shù)據(jù)分析平臺，是當(dāng)前互聯(lián)網(wǎng)乃至整個數(shù)據(jù)時代最重要的統(tǒng)計(jì)分析平臺之一，可以通過百度指數(shù)驗(yàn)證本文模型的有效性。

由圖8可以看出，在9月1日至30日以“合工大”為搜索詞的搜索熱度趨勢。9月20日極速上升，在9月21日到達(dá)頂峰，9月23日迅速下降，此后趨于平穩(wěn)。

圖8 合工大事件百度媒體指數(shù)

運(yùn)行本文模型，得到的網(wǎng)路輿情熱度趨勢圖如圖9所示。第0天為事件發(fā)生日，第1天至第2天為爆發(fā)期，第3天以后逐漸趨于平息，總體上符合網(wǎng)絡(luò)輿情演化特征，且網(wǎng)絡(luò)輿情熱度與百度指數(shù)代表的實(shí)際走勢基本一致。當(dāng)線下集群行為爆發(fā)后，學(xué)生通過各種新媒體渠道進(jìn)行擴(kuò)散和轉(zhuǎn)發(fā)；隨后事件持續(xù)發(fā)酵，吸引了大批網(wǎng)民的關(guān)注，媒體也跟進(jìn)報道；當(dāng)事件演化達(dá)到高潮時，學(xué)校開始同學(xué)生們溝通并聽取訴求，同時控制網(wǎng)絡(luò)輿情熱度；隨著解決方案的提出和施行，學(xué)生、網(wǎng)民、媒體的關(guān)注度逐漸下降，網(wǎng)絡(luò)輿情熱度漸漸歸于平息，事件告一段落。

圖9 網(wǎng)絡(luò)輿情熱度變化趨勢

3.4 基礎(chǔ)仿真的結(jié)果分析

3.4.1 學(xué)生負(fù)面情緒積累

對模型進(jìn)行仿真后得到學(xué)生負(fù)面情緒累積的走勢如圖10。

圖10 負(fù)面情緒積累變化趨勢

從圖10中可以看出，學(xué)生負(fù)面情緒累積呈現(xiàn)偏鋒態(tài)勢。先在1-2天內(nèi)極速積聚并到達(dá)頂峰，隨著“喊樓”事件爆發(fā)負(fù)面情緒有所下降。之后學(xué)校相關(guān)政策進(jìn)行了調(diào)整，學(xué)生負(fù)面情緒也快速下降最后趨于平穩(wěn)。

3.4.2 新聞總數(shù)

對模型進(jìn)行仿真后得到新聞總數(shù)的走勢，如圖11。

圖11 新聞總數(shù)變化趨勢

從圖11可以看出，媒體新聞總數(shù)較負(fù)面情緒激烈圖形趨勢具有一定的滯后性。事件剛爆發(fā)時由于知情人少，新聞總數(shù)增長緩慢。但隨著事件的擴(kuò)散，在第1-2天內(nèi)極速達(dá)到頂峰。不過新聞數(shù)在第五天開始下降，這是學(xué)校采取刪帖撤熱搜等行為以及新聞沉寂共同作用的結(jié)果?？傮w上符合網(wǎng)絡(luò)輿情演化特征。

3.4.3 學(xué)校處理能力

對模型進(jìn)行仿真后得到學(xué)校處理能力的走勢，如圖12。

圖12 學(xué)校處理能力變化趨勢

從圖12可以看出，當(dāng)事件爆發(fā)時由于學(xué)校并未重視，在平息事件能力上基本為0。但隨著網(wǎng)略輿情熱度的增加，在第3-5天學(xué)校為了控制事態(tài)的發(fā)展，相應(yīng)處理緊急事件的能力極速上升。第5天后，隨著事件的逐步平息，學(xué)校處理能力的增長速度變慢。

3.4.4 基礎(chǔ)仿真結(jié)果綜合分析

基礎(chǔ)仿真結(jié)果通過分析得到網(wǎng)絡(luò)輿情熱度主要受到學(xué)生負(fù)面情緒積累、新聞總數(shù)、學(xué)校處理能力這3個變量的影響。因而網(wǎng)絡(luò)輿情熱度、學(xué)生負(fù)面情緒積累、新聞總數(shù)這三個變量的仿真結(jié)果在整理上的變化趨勢比較一致。但是負(fù)面情緒積累相比其它幾個變量會提前達(dá)到最高點(diǎn)，這是因?yàn)樵诒疚难芯織l件下，先是由于學(xué)生不滿情緒的積聚進(jìn)而爆發(fā)線下集群行為，然后再主動擴(kuò)散至線上引起網(wǎng)絡(luò)輿情熱度，所以負(fù)面情緒積累會先達(dá)到最高點(diǎn)。在線下事件爆發(fā)后，新聞總數(shù)出現(xiàn)激增的時間點(diǎn)要早于學(xué)校處理能力開始顯著提升的時間點(diǎn)。這是因?yàn)榫€下集群行為爆發(fā)后，學(xué)校并未予以重視。而是等到線上輿情爆發(fā)后，學(xué)校才開始著手解決問題。學(xué)生成功通過在線上擴(kuò)大的輿論影響力，倒逼學(xué)校重視學(xué)生需求。

3.5 輔助變量的調(diào)節(jié)控制及仿真分析

通過對輔助變量的調(diào)節(jié)控制，分析引起其它變量產(chǎn)生怎樣的變化，可以為后文建議的提出提供理論依據(jù)。

3.5.1 學(xué)生滿意度

當(dāng)輿論事件爆發(fā)后，學(xué)生對學(xué)校重新調(diào)整的政策滿意度僅為40%。原因是雖然放開了出校管制但是仍很不方便，且校內(nèi)物價上漲，洗澡、取快遞不便等諸多問題沒有得到解決。若學(xué)校做出更多改進(jìn)，學(xué)生滿意度達(dá)到60%，得到的負(fù)面情緒變化趨勢如下圖13。

圖13 改變學(xué)生滿意度時負(fù)面情緒積累變化趨勢

負(fù)面情緒積累量有所下降，但下降趨勢與原來基本一致?？梢娸浾撌录l(fā)后想快速平息負(fù)面情緒比較難以實(shí)現(xiàn)，下面嘗試在輿論事件爆發(fā)前阻止負(fù)面情緒的積累。

3.5.2 教職工待遇不一致

根據(jù)從知乎爬取的數(shù)據(jù)統(tǒng)計(jì)顯示，引起學(xué)生最不滿意的因素是學(xué)生出入校園條件與教職工不一致。高校內(nèi)對學(xué)生普遍實(shí)現(xiàn)的“非必要不外出”的政策，學(xué)生有出行需求要經(jīng)過輔導(dǎo)員、院長兩級審批，實(shí)際上很難有學(xué)生能夠出校。但高校老師、老師親屬、學(xué)校后勤人員(如食堂工作人員、清潔人員)卻能自由進(jìn)出校門，這種強(qiáng)烈的對比導(dǎo)致學(xué)生產(chǎn)生了極大的不滿。若學(xué)校能將學(xué)生和教職工待遇基本保持一致(都允許出校或限制出校)負(fù)面情緒累積趨勢如下圖14。

圖14 改變學(xué)生同教職工待遇時負(fù)面情緒積累變化趨勢

根據(jù)圖中情況，可見負(fù)面情緒積累顯著降低。疫情期間學(xué)生對于生活不便等諸多因素具有一定的忍耐力，但當(dāng)出現(xiàn)區(qū)別對待時就容易爆發(fā)輿論事件。

4 高校應(yīng)對輿情演化事件的建議

4.1 高校制定政策時要站在學(xué)生立場上以人為本

大學(xué)生正處在愛憎分明、血?dú)夥絼偟哪挲g階段，遇到不合理的情況容易用極端的方式解決問題。高校管理者在制定相關(guān)政策的時候要充分聽取學(xué)生的意見和建議，站在學(xué)生的立場上做到以人為本。營造師生共建的和諧校園氛圍，而不是以高高在上的管理者的身份去發(fā)號施令。

4.2 高校在面臨輿論事件時要針對學(xué)生的主要訴求及時調(diào)整政策

高校在面臨輿論事件時首先會強(qiáng)迫學(xué)生禁止參與討論并刪除相關(guān)言論，但這極易導(dǎo)致學(xué)生負(fù)面情緒的再次積累從而爆發(fā)更嚴(yán)重的輿論事件。高校應(yīng)該采取疏而非堵，根據(jù)學(xué)生的核心訴求快速調(diào)整學(xué)校政策。在相似的“大學(xué)生喊樓”事件中，西安某高校連夜制定出新的出校規(guī)則并立刻實(shí)行，這一做法獲得了學(xué)生們的一致好評。可見學(xué)生們進(jìn)行網(wǎng)絡(luò)集群行為只是為了爭取自身權(quán)益，當(dāng)?shù)玫綕M足時負(fù)面情緒以及輿論壓力自然會消解。