基于SIR涉恐网络舆情传播动力学模型研究.docVIP

基于SIR涉恐网络舆情传播动力学模型研究 　　摘 要：涉恐网络舆情由于其敏感性，在传播过程中极易引发社会民众的恐慌。该文结合SIR模型，构建系统动力学模型对涉恐网络舆情传播进行仿真模拟，分析涉恐网络舆情的传播规律以及传播中的影响因素。结果表明，接触速率、接触后相信比例、引导速率等因素对涉恐网络舆情的传播均有较大影响，进而在此结论上为相关部门进行管理决策提供对策建议。 　　关键词：SIR 传染病模型 涉恐舆情 舆情传播 系统动力学 　　中图分类号：G350 文献标识码：A 文章编号：1674-098X（2017）05（a）-0143-03 　　截至2016年12月，中国网民规模达7.31亿，相当于欧洲人口总量，互联网普及率达到53.2%[1]。网民已成为影响舆情导向的重要力量。由于网络舆情复杂性、互动性以及持续演变性，一旦涉恐舆情出现，政府应对处置不力，极易引发涉恐舆情及围绕涉恐舆情的次生舆情，进而造成民众的恐慌，使政府陷入处置事件的被动状态中，网络涉恐舆情传播过程的研究迫在眉睫。 　　目前，国内外学者已对网络舆情传播开展了大量的研究。如Mengshu Xie，Zhen Jia，Yanfei Chen等人通过在复杂网络中模拟竞争产品的传播信息和舆论的规律性，研究舆论传播与支持率成正比例关系[2]；黄微、李瑞、孟佳林对大数据环境下多媒体网络舆情的特征进行分析，归纳总结网络舆情传播的主体、客体、媒体、本体和空间要素之间的关系构架机理[3]；苏国强、兰月新基于SIR传染病模型对突发事件中网络谣言扩散过程进行研究，为网络涉恐舆情传播研究提供参考[4]；曹帅、兰月新、苏国强等人基于移动平均法对微博舆情发展规律进行研究，建立直线修正模型，对微博舆情的发展趋势进行分析预测[5]。 　　基于以上学者研究以及对SIR模型建立涉恐舆情事件传播动力学模型，分析涉恐网络舆情传播规律及影响要素，探索涉恐舆情应对策略，为政府处置网络涉恐舆情事件提供参考。 　　1 基于SIR的涉恐网络舆情传播的系统动力学模型建立 　　1.1 涉恐网络舆情传播因果关系分析 　　涉恐网络舆情事件的产生、传播及消散的变化过程较为复杂，但遵循一定的规律，可借助系统动力学对涉恐网络舆情传播各个影响因素进行分析，构建因果回路图（如图1所示）。 　　在信息传播速度极快的互联网环境中，网民受到涉恐舆情的影响从涉恐信息不知情且没有抵制力的“涉恐易感人群”转变为“涉恐已感染人群”，从而引发舆情事件，之后受到政府及社会正确信息的疏导，将“涉恐已感染人群”引导为“涉恐免疫人群”。涉恐易感人群数量越多，传播速率越快，从而使涉恐已感染人数增多，最终使涉恐易感人群数量减少。 　　1.2 涉恐网络舆情传播存量流量图构建 　　因果关系图主要表达系统各因素之间的相互性以及反馈结构的基本方面，无法表达系统中变量的性质，也无法描述系统管理和控制过程，而流图则在因果关系图的基础上对不同性质的变量进行区别。存量，也称状态变量，描述系统的积累效应的变量，反映物质、能量、信息等对时间的积累。流量，也称速率变量，描述状态变量的时间变化，反映系统状态的变化速度或决策幅度的大小。存量和流量具有不同的性质，在系统中扮演不同的角色[6]。基于因果关系图最终确定各影响因素在网络传播的存量流量图（如图2所示）。 　　图中以涉恐易感人群、涉恐已感染人群、涉恐免疫人群为聚焦点设为水平变量，受接触速率、接触后相信比例、引导时间的综合作用，最终构成涉恐网络舆情传播的演化系统模型。 　　1.3 边界假设 　　（1）在此次舆情事件中网民数量为一个固定常数；（2）涉恐网络易感人群在接触后即转变为涉恐已感染人群，具有一定的传染能力；（3）当涉恐已感染人群被引导成功之后即成为涉恐免疫人群，不再受此次事件影响；（4）在此次舆情事件中，事件是孤立的，没有其他次生舆情事件的交叉影响；（5）网络环境畅通良好，不存在网速过慢、媒体等信息平台无法使用的影响；（6）不考虑此次网络涉恐舆情事件的二次演变。 　　1.4 涉恐网络舆情传播变量之间方程式 　　1.4.1 概念界定 　　总人数：网民总量；涉恐网络易感人群：在网络中，较易受到网络涉恐舆情事件感染的网民；涉恐网络传播人群：在网络中已受到涉恐舆情事件影响且将该舆情事件进行传播的人群；涉恐网络免疫人群：已充分了解该涉恐网络舆情事件，不再受到此次舆情事件的影响。 　　1.4.2 模型主要变量之间的关系及参数 　　（1）人群总数=涉恐易感人群+涉恐已感染人群+涉恐免疫人群。 　　（2）传播速率=涉恐易感人群×接触后相信比例×接触速率×（涉恐已感染人群/总人数）。 　　（3）接触速率=8（人×次）/天，其含义是：一个人在一天中通过网络接触8人。 　　（4）接触后相信比例=15