基于改进SIR模型的突发公共事件网络舆情情感演化研究

瞿 英， 田红梅， 种子鹏

(1.河北科技大学 经济管理学院，河北 石家庄 050018;2.河北科技大学 数据科学与智能计算研究中心，河北 石家庄 050018)

一、引言

据中国互联网信息中心发布的《第45次中国互联网发展状况统计报告》，我国网民规模达9.04亿,互联网普及率达64.5%,同比增长4.9%[1]。近年来，社交网络的不断发展使得舆情信息传播的速率不断提升，舆情信息可以在极短的时间内进行大规模传播。大多数人会积极地传播正向舆情信息来解除人们心中的恐慌，维护社会稳定，而某些不知情者会受到负面舆情信息的影响，在疫情期间散布谣言，给疫情防控工作带来了很大的阻碍[2]。如在新冠肺炎的后疫情期间的成都疫情、新疆疫情、青岛疫情和石家庄疫情中，引发了不同程度的网络舆情危机，导致政府部门面临的压力增大。所以，研究在后疫情时期如何引导正向舆情、治理负面舆情对减轻政府压力、维护社会秩序和社会安全具有积极意义。

通过对现有研究成果的梳理发现,社交网络中的舆情传播控制已经受到了国内外学者的重视并得到丰富的研究。shah[3]等利用经典SIR模型的变形对社交网络中的舆情传播进行了建模,并基于网络中心性设计了舆情溯源方法。Dhar等[4]建立了社会网络环境中舆情信息传播模型,并论证了反舆情信息在舆情控制中的作用。Ma等[5]在传染病模型的基础上,对传染率增加了含有正向和负向的“双向社会加强效应”影响，动态研究了处于不同条件下的未知者对舆论传播的影响。田世海等[6]界定了网络舆情信息生态群落衍生的内涵，并基于改进SIR模型，分别构建了网络舆情信息生态群落横向和纵向衍生模型，刻画了衍生过程。赵剑华等[7]在传统的SIR传染病模型基础上，根据用户接受舆情时可能的心理行为特征，综合考虑用户的心理特征行为因素，搭建了新型的社交网络舆情传播动力学模型。谭娟[8]在比较了社交网络和传统网络在信息传播方式的差异后，模拟出了基于传染病网络舆情传播模型。张彦超等[9]在传染病动力学的基础上，引入复杂网络理论，提出了基于SNS网络的信息传播模型。刘小洋等[10]将用户属性以及信息特征加入到社交网络信息传播模型的构建中，提出了基于社交网络用户自身属性的信息传播模型。

学者们基于不同角度构建了舆情传播模型，但在模型构建和有效数据分析中很少考虑到人的情感因素，事实上，人是“社会人”，在网络舆情中用户的情绪感染是很重要的因素；再者大多数学者侧重对负面情绪的挖掘，缺乏感染者正向和负向情绪的相互转化的探讨。本文基于经典的传染病模型，引入情绪感染理论，构建刻画网民正负情绪交互的动态演化改进SIR模型，其中净化率与煽动率分别受政府公信力和信息风险感知的影响，最后结合后疫情时期爬取的实际数据，验证了实验的有效性，以期对后疫情期间疫情的防控工作带来正向影响。

二、模型构建

(一)经典的传染病模型[11]

1.模型假设

假设1:传播主体总数N保持不变,将主体状态分为三类:易感者(S(t))，表示未染病但有可能被该类疾病传染的人；染病者(I(t))，表示已被感染成为病人而且人有传染力的人;免疫者(R(t))，表示对此疾病已免疫并不再感染的人。

假设2:感染率(每个病人每天接触的人数)为λ；免疫率(每天被治愈的人数占总病人数的比例)为β。

2.模型状态转移规则

易感者、染病者、免疫者三者分别为S(t)、I(t)、R(t),其中λ为感染率,β为免疫率,经典传染病SIR模型如图1所示。

图1 经典传染病SIR模型

(二)基于情绪因素影响的改进SIR模型

经典的传染病SIR模型对网络舆情的研究没有考虑到情绪因素，而网民都是“社会人”，会受情绪环境的影响。当网络舆情开始后，接触到舆情信息的人，有的传播积极信息，有的传播消极信息。依据情绪感染理论，将这些传播信息的人分为积极情绪者或理性者、消极情绪者，当易感者受到不同情感倾向的传播者给予的情绪刺激时，要么产生认同，成为同类情感传播者；要么反感，成为异类情感传播者。不同情感情绪者的情绪也不是一直不变的，当受到某些外部因素刺激时，积极情绪者和消极情绪者之间可相互转化。基于以上的分析对传统的SIR模型在结构上进行了改进。

1.模型假设

假设1：将所有网民(M(t))分为三类：未参与者(S(t))，即未接触到信息的人；积极情绪或理性者(P(t))，即对突发事件持有积极情绪或者没有感觉的人；消极情绪者(N(t))，即对突发事件产生恐慌、气愤，乃至仇视的消极情绪的人。这三类网民都是关于时间t的可微函数。

假设2：由于个体的选择会一直受到所处环境的影响，当未参与者接触到信息及消极情绪后，会以感染率β感染成为消极情绪者；或者在不接触消极情绪者的情况下以转化率μ1转化为积极情绪或理性者。

假设3：在没有其他因素干扰下消极情绪者会以自愈率α转变成为积极情绪或理性者。

假设4：当积极情绪或理性者同消极情绪者接触时，二者可能会互相转化，转化率μ2。当μ2是正数时为煽动率，将积极情绪或理性者转化为消极情绪者。当μ2是负数时为净化率，将消极情绪者转化为积极情绪或理性者。

其中μ2受政府公信力和网民信息风险感知等多方面因素影响，政府公信力越强，对虚假信息的治理越强，对消极情绪者的净化作用越强。网民信息风险感知能力越弱，越容易为了实现自身涨粉或者获取关注度等短视行为发布不良信息或不实信息，对积极情绪者有一定的负面煽动作用。

2.模型建立

未参与者、积极情绪或理性者、消极情绪者分别为S(t)、P(t)、N(t)，其中β为感染率，μ1为转化率，α为净化率，μ2为煽动率或者自愈率。模型转移状态如图2所示.

图2 基于情绪因素影响的改进SIR模型

由假设1可以得出M(t)=S(t)+P(t)+N(t)。基于经典传染病SIR 型的建模思想和网络舆情情感交互过程,建立如下优化的数学模型。

(1)

S(t)+P(t)+N(t)=1。

(2)

三、仿真结果及分析

突发公共事件下的网络舆情情感演化与多个主体相关，是政府部门、新媒体、网络用户等多方互相作用的结果，不同主体间存在的多种外在因素也会影响网络舆情情感的走向。本节采用控制变量法[12]，利用改进的SIR模型进行突发公共事件网络舆情情感数值分析，设置不同的参数数值和未参与者、消极情绪者、积极情绪或理性者的初始比例来研究网络舆情情感演化过程。具体参数设置见表1。对照组如图3所示。

表1 具体参数设置

图3 无情感交叉对照组

(一)增加β值

由图4所示可知，增加未参与者接触到信息及消极情绪后的感染率β时，S(t)、P(t)、N(t)的图像会向左移动，更早地到达平衡状态，但是图像整体的走向变化不大。这说明增加β会加快网络舆情的传播速度，负面情绪扩散的更快。

图4 感染率对情感演变趋势影响

(二)增加α值

由图5、图6可知，增加消极情绪向积极情绪或无感者的自发转化率α值后，P(t)会迅速增大，然后到达峰值后回落到平衡态，较对照组达到稳定状态的人数比例变大。如果将α值提升到0.09以上，P(t)曲线会快速攀升到最大值，负面情绪者N(t)会随时间无限趋向于0。α值的增加能够扭转整体网络舆情情感的走向，而且数值越大对于负面情绪的控制越有效，但是在实际生活中提升无人干扰下的自发转换率比较困难。

图5 自愈率对情感演变趋势影响

图6 自愈率达到峰值对情感演变趋势影响

(三)改变μ2值

由图7、图8可知，增加负面情绪者煽动率μ2，积极情绪或无感者上升峰值会降低，消极情绪者N(t)趋向向左平移迅速增高。这说明增加负面情绪者煽动率μ2会使负面情绪迅速扩散并且打击积极情绪者的发展。如果将μ2改变为-0.02，成为积极情绪者的净化率，那么负面情绪者N(t)会在一开始的就处于较低的水平，并随时间的推移无限趋于0，积极情绪或理性者P(t)会快速升高趋于最大值。这说明μ2值是影响突发事件下网络舆情情感走向的关键因素，能否在政府和媒体的参与下净化负面情绪是影响舆情情绪演化的核心问题。

图7 煽动率对情感演变趋势影响

图8 净化率对情感演变趋势影响

(四)增加μ1值

由图9可知，增加未参与者向积极情绪或理性者的转化率μ1，会使P(t)前期迅速增加，提升峰值，但后期会回落至高于对照组P(t)的稳定态，并伴随消极情绪者N(t)的稳定攀升。这说明增加μ1值能够在前期很好地控制负面情绪的扩散，为后期采取措施提供时间。

图9 转化率对情感演变趋势影响

四、实证研究

(一)实证数据来源

当前新浪微博的活跃用户超过4亿，而且数据开放程度相对较高，用户可以自由发表对于突发事件的观点，所以新浪微博平台的微博信息能够一定程度上代表网络舆情的情感走向[13]。本研究通过设计Python网络爬虫代码来获取新浪微博数据进行改进SIR模型的实证研究。以“河北疫情”为关键词，爬取在2021年1月2日至11日之间的微博信息，共计29 282条，爬取维度主要包括微博发出者的ID、微博发布时间、微博文本内容、微博转发数、评论数、点赞数等，由这些信息构成本实证研究的基础数据单位。

(二)数据处理及对比验证

验证网络舆情的情感演化过程需要对微博内容文本进行情感测定。朴素贝叶斯分类器对于短文本分类有着独特的优势，在以往的研究中朴素贝叶斯分类器对垃圾邮件的分类准确率可以达到 90%以上，分类结果可信[14]。本研究基于朴素贝叶斯分类原理结合机器学习的方法对微博内容进行文本分析，判定其情感倾向。首先使用Python中的Jieba库分词微博文本进行分词处理，并过滤常见的停用词，使文本适用于朴素贝叶斯分类。然后随机选取正面情绪、负面情绪微博文本各300条，人工标注感情倾向作为先验概率的训练集，使用Python中基于朴素贝叶斯原理设计的Snow NLP库进行训练分类器文本分类，来标注每条微博文本的情感倾向。最后基于时间序列，将微博的情感态度变化进行可视化处理，得到河北疫情网络舆情情感演变趋势图(如图10所示)。

图10 河北疫情网络舆情情感演变趋势图

根据“河北疫情”的网络舆情情况得出改进SIR网络舆情情感分析模型的参数S0=0.958，N0=0.04，P0=0.02，β=0.01，α=0.02，μ2=0.04，μ1=0.02，演化结果如图11所示。对比图10和图11可以看出，仿真模拟曲线同实际舆情数据趋势基本吻合，这说明可以用此模型来模拟此类事件的舆情情感演化，进而进行分析预测。

图11 河北疫情网络舆情情绪演变仿真图

五、突发公共事件网络舆情治理的对策与建议

本文考虑了网民的情感倾向，引入情绪感染理论构建了基于情感的网络舆情传播模型，并用后疫情期间的网络舆情数据集进行实证研究。实验结果表明，该模型较好地反映了积极和消极舆情的传播趋势和交互演化过程，在传播初始阶段，较大的感染率和转化率分别能加快网络舆情的传播速度和控制负面情绪的扩散，但影响舆情走向的关键因素是净化率，据此对网络舆情提出了更有针对性的舆情引导和控制建议。

(一)加强政府引导，提高主流媒体的引领能力(降低β，提高μ1策略)

在突发公共事件中，政府在网民情绪的引导过程中起着关键性作用[15]。政府部门及时发布信息，能够避免网络用户的胡乱猜疑，最大程度上控制住负面情绪的迅速扩散。政府可以构建突发事件的舆情监测系统，在突发事件发生时，能够及时监测出来，迅速启动网络舆情应急机制，由专业的人员进行网络舆情的引导和控制。使未参与者第一时间接触到全面的信息，降低其成为消极情绪者的概率，进而使负面网络舆情得到控制，为后期突发事件的解决提供平稳的环境，防止网络舆情次生危机的发生。

(二)培养网民的理性思考方式，建构一种社会的安全情感(提高α策略)

在突发公共事件发生时，网民难免会产生恐慌情绪，此时网民的信心很容易动摇，进而失去独立思考的能力。这就需要网民对于突发事件做出的判断，若政府对于突发事件有足够的应急处置备案，能够很好地处理突发状况，自然能够提高网民的信心，使网民能够在紧急事件下保持理性，面对纷繁笼杂的网络环境得到正确的判断，从而转变为积极情绪者。同时也需要政府在平时加强对网民的引导和教育，提升网民对媒介信息的解读和评判能力，在负面舆情爆发时，扭转舆情演化方向[16]。

(三)提高政府公信力，提升网民的信息风险感知力(降低μ2策略)

政府公信力和网民信息风险感知力的提升可以提高正面情绪的净化率[17]，从而使网络舆情的演化朝着积极的态势发展。政府公信力的提高是政府有效辟谣的重要前提和基础，当负面情绪传播者散布谣言制造恐慌时，政府应该及时通过新媒体来辟谣，并对谣言制造者予以一定的惩罚，对传播积极言论应正确引导。网民对信息风险的感知力会影响其情绪的转化，一旦消极情绪者感知到负面信息会给防疫工作、社会安全带来影响时，消极情绪者就会向积极情绪者转化，所以加强网民对信息风险的感知力是非常有必要的。