基于VAR-SSM模型的突发事件舆情圈层扩散内生影响研究

收稿日期：2020-08-07

基金项目：中国博士后科学基金第13批特别资助项目“基于情感传播的突发事件网络舆论偏差及弥合机制研究”（项目编号：2020T130521）;中国博士后科学基金第65批面上资助项目“网络突发事件公众认知偏差及引导机制”（项目编号：2019M653680）。

作者简介：阳长征（1984-），男，副教授，博士后，研究方向：新媒体用户、网络信息传播、媒介管理。

摘  要：[目的/意义]为了探索位势梯度、情感共轭与圈层扩散之间动态影响机制，对网络空间中的信息进行分类和定级，实现危机信息的差异化监控与治理。[方法/过程]本文采用向量自回归、状态空间模型及时间序列模型对位势梯度、情感共轭及圈层扩散之间关系进行分析。[结果/结论]研究发现：1）位势梯度及情感共轭的每次冲击对圈层扩散产生滞后性影响，在整个过程中呈现右偏态分布特征。2）位势梯度及情感共轭对圈层扩散波动的贡献率均较大。3）位势梯度与情感共轭对圈层扩散的边际影响变化呈倒U形抛物线特征，且均较大。4）位势梯度、情感共轭与圈层扩散之间的相互影响效应在不同人口统计学群体间存在差异。

关键词：圈层扩散;位势梯度;情感共轭;突发事件;内生影响

DOI：10.3969/j.issn.1008-0821.2020.12.004

〔中图分类号〕G206  〔文献标识码〕A  〔文章编号〕1008-0821（2020）12-0036-09

Research on Endogenous Influence of Layered Diffusion of

Public Opinion in Emergency Events Based on VAR-SSM

Yang Changzheng

（School of Journalism & New Media，Xian Jiaotong University，Xian 710049，China）

Abstract：[Purpose/Significance]In order to seek for the endogenous influence of potential gradient and emotional conjugation on layered diffusion of public opinion，monitor and govern crisis information，and enhance the intention of sharing positive information.[Method/Process]The paper used VAR model，panel data model，and state space model to analyze the relationship between potential gradient，emotional conjugation and layered diffusion.[Result/Conclusion]The research found that（1）The impact of the potential gradient and emotional conjugation was not quickly transmitted to the layered diffusion，and presents a right skew distribution characteristic throughout the process.（2）The effect of potential gradient and the emotional conjugate was greater.（3）The change of the marginal influence of potential gradient and emotional conjugation on the layered diffusion showed an inverted U-shaped parabola，and the corresponding marginal influence effects were all relatively large.（4）The interaction effects between potential gradient，emotional conjugation，and layered diffusion were different among different demographic groups.

Key words：layered diffusion;potential gradient;emotional conjugation;emergencies events;endogenous influence

近年來，随着网络媒体的普遍使用，危机事件爆发变得越来越频繁，从而导致危机信息迅速扩散，并形成难以遏制之势。传播学水纹效应模型指出，信息传播过程就像在平静的湖水中扔下一颗石子，水纹就会以很快的速度向周围产生共振波，其扩散的范围和效果受到水质和水面地形的影响而有所不同。在网络空间中，信息的传播过程也具有该扩散效应[1]。而圈层扩散，是指信息在传播过程中，由于传播主体或受体在地域、政治、经济、文化及知识等维度存在相似性或相关性，从而导致该类群体在信息扩散过程中形成圈层化信息行为特征。针对网络突发事件，在水纹传播效应作用下，在事件发生之初，人们由于难以获得突发事件的确切信息，易产生从众效应，导致信息偏差及认知级联行为的产生，进而形成信息圈层化扩散，从而导致事件演化为群体极化或对事件形成舆论偏差，并影响社会稳定及健康发展。

然而，在物理学中，位势梯度是表征等压图上等高线疏密程度的一种量度。在复杂社会网络中，以网络中某节点为中心，以邻接的节点数量为距离，可形成不同等节点距离的圈层，从而使得处于网络中的用户存在类似于物理学中的位势梯度。针对突发事件，复杂网络中的坡度大小则会影响用户的信息级联意愿及从众行为，从而形成差异化舆论圈层扩散特征[2]。而共轭是指按一定规律相配的一对，在物理学中是指以某轴形成对称的两个物体。情感共轭则是指在复杂社会网络中，用户情感节点在空间位置上具有对称性，从而使得等距线上的情感分布处于叠加状态。而心理平衡理论指出认知一致性是驱动心理平衡的动力，如果情感或喜好关系处于平衡状态，则系统中的认知行为处于平稳。而当情感系统出现不平衡时，则会产生不愉快等心理压力，从而驱使主体产生设法恢复认知平衡的认知或行为。在突发事件中，情感共轭由于其情感叠加效应，可引起用户出现圈层性情感失调及认知失调，从而驱使用户产生恢复其平衡态的认知，进而导致用户对事件舆论出现对应圈层化扩散的信息行为[3]。因此，网络结构的位势梯度与情感共轭对舆论圈层扩散具有重要影响，探索之间的影响机制对于政府部门和媒体机构在突发事件网络舆情治理方面具有重要意义。在此背景下，本文探索如下问题：①突发事件中，网络空间位势梯度、情感共轭与圈层扩散间的脉冲响应效应及边际影响力如何？②变量间的脉冲响应效应及边际影响力在不同用户细分群体间的差异性如何？

1  理论模型建构

首先，將位势梯度、情感共轭及圈层扩散之间关系纳入同一理论框架，建构各内生变量相互作用、相互影响的动态VAR理论模型。其模型如下：

其中diffus为圈层扩散，conju为情感共轭，gradt为位势梯度，k为内生变量滞后阶数，εi为随机误差项。

在此基础上，对VAR模型中的位势梯度、情感共轭及圈层扩散之间脉冲响应（IRF）进行分析，其脉冲响应结构如下：

ψvariable（q，δj，Ωt-1=E（yvariable，t+q|εvariable，jt=δvariable，j，Ωvariable，t-1）-E（yivariable，t+q|Ωvariable，t-1）=Avariable，qΣvariable，jσvariable，jj δvariable，jσvariable，jj

其中，q=0，1，2，…，t=1，2，…，T。其中σvariable，jj=Evariable（ε2jt），Σvariable，j=Evariable（εtεjt）表示εt协方差矩阵Σ上的第j列元素，εt来自yvariable，t=Φ1yvariable，t-1+…+Φ1yvariable，t-p+εvariable，t中的扰动列向量εvariable，t，Φi为系数矩阵，p为滞后阶数。

同时，为了分析VAR模型中位势梯度、情感共轭及圈层扩散变量间结构性冲击对特定内生变量变化贡献率（RVC），需对脉冲进行方差分解：

RVCj→variable（s）=∑s-1q=0（a（q）variable，j）2σjj∑kj=1∑s-1q=0（a（q）variable，j）2σjj

其中，j为对应的各影响因素，其中s为q的有限项取值，a（q）variable，j=yvariable，t+qyjt，q=0，1，2，…，t=1，2，…，T;σjj=E（ε2t）。

其次，为了分析各内生变量每一单位数值对因变量影响效应的大小，即在某一时间内自变量对因变量产生的边际影响力的动态变化过程，构建边际影响力的状态空间模型（SSM）如下：

测量方程：

diffust=c11t+a11t*conjtt-i+a12t*gradtt-i+u11t

conjut=c21t+a21t*diffust-i+a22t*gradtt-i+u21t

gradtc31t+a31t*conjut-i+a32t*diffust-i+u31t

状态方程：

a11t=adiffus+γa11t-1+ε11t，a12t=βdiffus+γa12t-1+ε12t

a21t=aconju+γa21t-1+ε21t，a22t=βconju+γa22t-1+ε22t

a31t=agradt+γa31t-1+ε31t，a32t=βgradt+γa32t-1+ε32t

其中，测量方程中的解释变量为经协整检验后处于长期均衡关系的滞后第i阶的影响因子，ui1t为满足均值E（ui1t）=0和协方差矩阵var（ui1t）=Hi1t的连续的不相关扰动项，εijt为满足均值E（εijt）=0和协方差矩阵var（εijt）=Hijt的连续的不相关扰动项。

最后，为了探索变量间关系在不同区域的差异性，构建如下时间序列模型：

diffus=α1+β1*conju+γ1*gradt+μ1

gradt=α2+β2*conju+γ2*diffus+μ2

conju=α2+β3*gradt+γ3*diffus+μ3

2  变量说明与数据收集

2.1  变量说明

信息在传播过程中，设A表示某一节点存在圈层化，B表示该节点存在信息扩散，P（B|A）则表示该节点在存在圈层化特征的情况下发生信息扩散的概率，即该节点存在圈层扩散的概率。圈层化的测量则采用动态圈层化指数，考察在一个时间段内某节点的圈层集聚动态变化过程，用公式表示为：

Dij（0-t）=Sij（0-t）Si（0-t）=tPijtPij0-1t∑mj=1Pijt∑mj=1Pij0-1

式中Dij（0-t）为i节点[0-t]时间段内在j空间圈层化的动态指数，Sij（0-t）表示[0-t]时间段内i节点在j空间的圈层化水平，Si（0-t）表示[0-t]时间段内i节点在整个网络空间的平均圈层化水平，这两项指标均以几何平均值计算。Pij0与Pijt分别表示i节点在j空间期初与期末的圈层化水平值，∑mj=1Pij0与∑mj=1Pijt则分别表示i节点在整个网络空间的期初与期末圈层水平值[4]。基于上述圈层化水平测量及信息扩散测量，根据条件概率公式：P（B|A）=P（AB）P（A），并设B1，B2，…，Bn为样本空间S的一个子群圈层，即B={B1∪B2∪…∪Bn}，且P（Bi）>0，i=1，2，3，…，n，则对任何事件A，P（A）>0，在根据贝叶斯公式：P（Bi|A）=P（Bi）P（A|Bi）∑nj=1P（Bj）P（A|Bj），从而可以计算出节点的圈层化扩散值。

在网络空间中，设网络空间用户所处时点的密度分布函数z=f（x，y）在平面区域D上具有一阶连续偏导数，则对于每一个点p（x，y）都可定出一个向量fx，fy=fx（x，y）+fy（x，y），该函数即为函数z=f（x，y）在点p（x，y）的梯度，记作gradf（x，y）或f（x，y），则有：gradf（x，y）=f（x，y）=fx，fy=fx（x，y）+fy（x，y），其中=x+y为向量微分算子，f=fx+fy。设e={cosα，sinβ}为方向I上的单位向量，则fl=fxcosα+fysinβ=fx，fy{cosα，sinβ}=gradf（x，y）e=gradf（x，y）ecosα[gradf（x，y），e]，由于当方向I与梯度方向一致时，有cosα[gradf（x，y），e]=1。当I与梯度方向一致时，方向导数fl有最大值，且最大值为梯度的模，即gradf（x，y）=fx2+fy2。因此，函数在沿梯度方向的变化率最大，其最大值则为该梯度的模数值[5]。

在复杂社会网络中，共轭是群中的一种重要等价关系，设S、T是群G的两个非空子集，H是G的子群，若存在H中元素g使得T=g-1Sg=Sg，则称S和T关于H共轭，其中T=g-1Sg={g-1Sg|s∈S}称为S按g的变形。若S为G的子群，T称为S关于H的共轭子群;若S={s}为一个元的集合，则称t=g-1sg为s關于H的共轭元。设S是群G的一个子集，H是G的一个子群，与S关于H共轭的所有子集组成的集合称为S关于H的共轭类。当S={s}为一个元素的集合，s关于G的共轭类是元素的集合，就简称G的一个共轭类。根据定义，复数M的共轭复数记作，若M=a+ib（a，b∈R），则=a-ib（a，b∈R）[6]。

2.2  数据收集

2.2.1  样本选取

根据“人民网舆情数据中心”每年度发布的《舆情报告》排行榜单，以其中报告的每年度舆情事件为抽样框，根据《舆情报告》中对事件影响力指数的排名，并同时结合事件知名度、媒体报道程度、危机关注度、危机持续性、危机影响力及危机破坏力6个维度作为参考标准，选择“2019年湖南怀化操场埋尸事件”网络舆情作为本研究样本。选择该事件作为研究样本的优点在于，一方面，由于该突发事件的综合影响力较大，所涉事件性质为公检法类事情，与公众日常生活密切相关，公众在事件舆论上的参与程度整体上相对较高，因而其舆情演化过程的特征呈现则明显和清晰，以利于数据的分析及结论的提取;另一方面，由于该事件为近期发生，其网络舆情数据则相对易于爬取和收集，从而可提高数据的获取效率及有效性。

2.2.2  数据获取

本研究采用网络爬虫技术对样本数据进行采集，综合考虑突发事件样本信息传播过程的有效时长，确定对该样本事件舆情的跟踪时间为21天，在数据搜集过程中，为了数据整理和表达的方便，对所获取的数据进行统一编号处理，对每1位用户及其转发的信息赋予唯一的ID编号。对数据进行清洗，包括对数据一致性、重复数据、无效数据、缺失值、错误数据等可识别的不符合要求的数据和文件进行审查、校验、纠正和处理。经过数据清洗后，共获得有效数据24 713条，并根据总度数、出度数、入度数、中心度、初始语义值、滞后语义值、集聚系数、情感系数、耦合度、边度相关系数等，计算形成位势梯度系数（gradt）、情感共轭系数（conju）及圈层扩散系数（diffus）3个变量的时间序列大数据。

3  整体效应分析

3.1  VAR模型估计

在进行VAR模型构建前，需要进行Granger因果关系及稳定性检验，以确定一组时间序列是否为另一组时间序列的原因，以及VAR模型在参数及结构设定上的正确性。对模型中的变量结构进行识别和检验，分析圈层扩散、情感共轭及位势梯度之间是否存在显著性Granger因果关系，以确定VAR模型结构设定是否合理。对应的Granger因果检验结果如表1所示。

由表1可见，在位势梯度、情感共轭及圈层扩散之间的因果关系排除检验中，各变量及两两变量联合项的χ2检验对应的p值均小于0.05的显著水平，可以拒绝不存在因果关系的原假设，表明位势梯度、情感共轭及圈层扩散相互间存在因果关系。因此，在VAR模型构建中将位势梯度、情感共轭及圈层扩散作为内生变量的变量设置合理有效。

在Granger因果关系检验的基础上，为了进一步了解位势梯度、情感共轭及圈层扩散之间影响的滞后时间长度，需对VAR模型进行统计分析和时滞长度判断。根据LR检验，以及FPE、AIC、SC、HQ信息准则最小化的标准，对应的统计结果显示，VAR模型的最佳时间滞后长度为2期。

以内生变量滞后2阶建构VAR模型，并对其进行模型估计，其结果如表2所示。

由表2可见，VAR模型的3个方程中各项系数显著性检验的值均大于0.05显著水平对应的临界值1.96。同时，可决系数R-squared值均大于0.80，表明所构建的VAR模型与样本数据拟合度良好，该估计结果可用于位势梯度、情感共轭及圈层扩散之间动态影响的相关分析。

3.2  脉冲响应

脉冲响应函数（IRF）是用来分析VAR模型的一种方法，对模型中每个变量间受到外界冲击时，其它各变量对该冲击所作出的响应情况，包括响应的大小、响应滞后长度、响应的变化过程等内容。为了揭示位势梯度、情感共轭及圈层扩散之间的动态扰动特征，在VAR模型估计基础上分别对位势梯度、情感共轭及圈层扩散进行脉冲响应分析。对应分析结果如图1所示。

由图1可见，在第1行脉冲图中，当圈层扩散、位势梯度及情感共轭受到一个正向冲击时，圈层扩散迅速产生自相关冲击，位势梯度及情感共轭的每次冲击带来的影响并非迅速传导至圈层扩散，而是在滞后第3～6期影响效应达到正向最大值，其后呈逐渐减弱趋势，在整个过程中均呈现右偏态分布特征。其中，圈层扩散自相关影响效应最大，且较大值持续的时间最长，位势梯度冲击及情感共轭也均较大。在第2行脉冲图中，情感共轭的自相关效应及圈层扩散的冲击对情感共轭均迅速产生影响，且影响效应均为较大的正向波动，位势梯度冲击的影响并非迅速传导至情感共轭。其中，圈层扩散及情感共轭自相关效应的影响最大，位势梯度的冲击均较大。在第3行脉冲图中，圈层扩散、情感共轭及位势梯度自相关效应对位势梯度均迅速产生正向影响，且圈层扩散的影响最大，情感共轭与位势梯度自相关效应的冲击均较大。

3.3  贡献率分解

为了比较位势梯度、情感共轭及圈层扩散相互扰动效应的大小，从而识别出不同影响因素对位势梯度、情感共轭及圈层扩散影响的重要程度，需在上述各影响因素动态扰动特征分析的基础上，分别对各因素的波动贡献率进行方差分解。其方差分解结果如图2所示。

由图2可见，在圈层扩散方差分解中，在前二期圈层扩散自相关的影响较大且快速下降，情感共轭的影响相对较小且快速上升，其影响于滞后6期后趋向平稳，位势梯度在整个过程中对波动的贡献率较小。对于整个过程，情感共轭对圈层扩散波动的贡献率约为7%，圈层扩散自相关效应约为81%，位势梯度影响效应约为12%。情感共轭自相效应对情感共轭的贡献率约为13%，位势梯度影响效应约为13%，圈层扩散的影响效应约为74%。位势梯度自相关效应对位势梯度波动的贡献率约为12%，圈层扩散影响效应約为76%，情感共轭影响效应约为12%。

4  边际效应分析

4.1  边际影响力

在上述脉冲波动分析基础上，为了进一步了解位势梯度、情感共轭及圈层扩散之间的边际影响力，在此使用状态空间模型对各变量之间边际影响力的变化过程进行分析，从而揭示位势梯度、情感共轭及圈层扩散之间影响效应的波动过程特征。其状态空间模型分析结果如图3～5所示。

图3结果显示，位势梯度与情感共轭对圈层扩散的边际影响力变化呈倒U形抛物线特征。其中，位势梯度对圈层扩散系数的边际影响力先快速上升，其后缓慢下降。情感共轭对圈层扩散系数的边际影响力先波动上升，其后快速下降。在事件演化过程中，情感共轭及位势梯度对圈层扩散的边际影响效应的均值较大，且持续的时间均较长。

图4结果显示，位势梯度与圈层扩散对情感共轭的边际影响力变化呈倒U形抛物线特征。其中，位势梯度对情感共轭系数的边际影响力先快速上升，其后缓慢下降。圈层扩散对情感共轭系数的边际影响力也先快速上升，其后缓慢下降。在事件演化过程中，位势梯度及圈层扩散对情感共轭的边际影响效应的均值较大，且持续的时间均较长。

图5结果显示，圈层扩散与情感共轭对位势梯度的边际影响力变化呈倒U形抛物线特征。其中，圈层扩散对位势梯度系数的边际影响力先快速上升，其后缓慢下降。情感共轭对位势梯度系数的边际影响力先波动上升，其后缓慢下降。在事件演化过程中，情感共轭及圈层扩散对位势梯度的边际影响效应的均值较大，且持续的时间均较长。

4.2  群组差异性

由于各类用户群体在社会角色及认知心理上的差异，从而导致不同性别、年龄及学历的群体在位势梯度、情感共轭及圈层扩散之间的影响效应上存在差异。因此，为了探索不同用户群体间的差异性，采用时间序列模型对不同群组的影响效应进行分析。使用Eviews10.0计量软件对模型进行拟合，其拟合结果如表3所示。

表3拟合结果显示，从表中的纵向结果数据看，根据各变量系数大小，对于圈层扩散方程，情感共轭变量的系数β1值呈现出大于位势梯度变量对应的系数γ1值，表明情感共轭对圈层扩散的影响效应大于位势梯度的影响效应。对于位势梯度方程，情感共轭变量的系数β2值呈现出大于圈层扩散变量对应的系数γ2值，表明情感共轭对位势梯

度的影响效应大于圈层扩散的影响效应。对于情感共轭方程，位势梯度变量的系数β3值呈现出大于圈层扩散变量对应的系数γ3值，表明位势梯度对情感共轭的影响效应大于圈层扩散的影响效应。

从表中的横向结果数据看，对于圈层扩散方程，根据各变量系数大小，通过比较情感共轭变量的系数β1值及位势梯度变量系数γ1值，结果显示：对于β1值及γ1值，在性别群组上，女性大于男性;在年龄群组上，29岁及以下群组最大，30～49岁群组较大，50岁及以上群组最小;在学历群组上，小学及以下群组最大，中学群组较大，大学及以上群组最小。

5  稳健性分析

本文从替换估计方法方面考虑模型估计结果的稳健性，在VAR模型脉冲响应分析时，之前采用了残差协方差矩阵的Cholesky因子的逆来正交化脉冲，该方法是通过给VAR模型的变量强加一个次序，并将所有影响变量的公共因素归结于VAR模型中第一次出现的变量上。现采用广义脉冲方法替代，即构建一个不依赖于VAR模型中变量次序的正交化的残差矩阵。而在进行区域差异性分析时，采用工具变量的二阶段最小二乘法替代上述采用的最小二乘法对模型进行估计。

在状态空间模型中，其算法包括“Marquardt”和“BHHH”估计方法。之前采用Marquardt进行估计，可以提供数值非线性最小化解决方案。现采用BHHH算法替代，使用从上次迭代获得的参数拟合值来运算多元变量模型的残差项的方差与协方差矩阵，并运算新的搜索方向，以获得收敛的最佳算法。

根据分析结果，采用上述替代方法进行模型拟合，不同方法模型拟合的各路径系数p值均小于0.05的显著水平，以及系数差异性检验p值均大于0.05的显著水平，检验结果显示采用替代方法估计后的各模型參数值在逻辑关系和逻辑结构上与初始所采用的指标建构的模型分析结果一致，表明上述建构的理论模型及分析结果具有良好的稳健性。

6  结论与启示

通过2019年湖南怀化操场埋尸事件作为样本收集数据，探索了位势梯度、情感共轭及圈层扩散之间动态影响，得出如下研究结论：

1）当圈层扩散、位势梯度及情感共轭受到一个正向冲击时，圈层扩散迅速产生自相关冲击，位势梯度及情感共轭的每次冲击带来的影响并非迅速传导至圈层扩散，在整个过程中均呈现右偏态分布特征。其中，圈层扩散自相关影响效应最大，且较大值持续的时间最长，位势梯度冲击效应及情感共轭冲击效应也均较大。情感共轭的自相关效应及圈层扩散的冲击对情感共轭均迅速产生影响，且影响效应均为较大的正向波动，位势梯度冲击的影响并非迅速传导至情感共轭。其中，圈层扩散及情感共轭自相关效应的影响最大，位势梯度的冲击均较大。圈层扩散、情感共轭及位势梯度自相关效应对位势梯度均迅速产生正向影响，且圈层扩散的影响最大，情感共轭与位势梯度自相关效应的冲击均较大。

2）情感共轭对圈层扩散波动的贡献率最小，圈层扩散自相关效应最大，位势梯度影响效应较大。情感共轭自相效应及位势梯度对情感共轭的贡献率较大，圈层扩散的影响效应最大。位势梯度自相关效应及情感共轭影响效应对位势梯度波动的贡献率较大，圈层扩散影响效应最大。

3）位势梯度与情感共轭对圈层扩散的边际影响力变化呈倒U形抛物线特征，且边际影响效应均较大，且持续的时间均较长。位势梯度与圈层扩散对情感共轭的边际影响力变化呈倒U形抛物线特征，且边际影响效应均较大，且持续的时间均较长。圈层扩散与情感共轭对位势梯度的边际影响力变化呈倒U形抛物线特征，且边际影响效应均较大，且持续的时间均较长。

4）情感共轭对圈层扩散的影响效应大于位势梯度的影响效应，情感共轭对位势梯度的影响效应大于圈层扩散的影响效应，位势梯度对情感共轭的影响效应大于圈层扩散的影响效应。情感共轭及位势梯度对圈层扩散的影响，在性别群组上，女性大于男性;在年龄群组上，29岁及以下群组最大，30～49岁群组较大，50岁及以上群组最小;在学历群组上，小学及以下群组最大，中学群组较大，大学及以上群组最小。

针对位势梯度对舆论圈层扩散行为具有滞后影响效应的研究结论，社会网络理论指出，社会网络是由诸多节点构成的一类社会结构，节点代表着个人或组织，整个社会网络代表各种社会关系。而位势梯度作为单位时间或单位距离内主体相邻位置上用户密度变化的程度，位势梯度越大则表明用户所处网络密度越大，则使得用户群体形成一定的层次现象。然而，弱关系理论指出，在人际关系较弱的社会系统中，人们可从广泛的信源获得更多样化的信息，通过刺激个体的想法从而使创新更有可能，因而在弱关系群体中不易于产生从众效应，其圈层扩散性也越弱。若系统主要由强关系成员构成，用户间具有较高的相似性，则所获得的信息具有较大程度趋同，所传播的信息更可能局限于较小的社会空间范围，从而个体主动获取信息的信源范围则较小，且信息多样化程度较低，信息具有较大相似性[7]。因而，位势梯度较大时，人们易于产生信息从众心理，其圈层扩散性也越高。

针对情感共轭对舆论圈层扩散行为具有滞后影响效应的研究结论，在社会学和社会心理学中，内群体是指一个人在心理上被识别为成员的社会群体，外群体是一个人无法识别或识别为不属于其中成员的社会群体。如果个体相信其属于某内群体，他们将持积极态度，并在该群体中具有归属感，即形成内群体偏好，同时对外群体持有消极态度及不平等看法。而情感作为网络舆论演化的重要动力，其传播过程则是情绪载体通过所嵌入的社会网络进行传导和扩散，形成情感互动，并建立起特定情感关系的过程[8]。在突发事件网络舆论中，当存在情感共轭时，则会在同一等距线上产生情感叠加、情感共振与话语协同，在公众中可形成大规模网络动员，并形成内群体，从而形成圈层扩散效应。而在不同等距线间，则形成不同特征的圈层结构。

该研究结论对突发事件中用户圈层扩散行为的管控和治理具有启示意义。首先，由于位势梯度及情感共轭对圈层扩散的冲击影响效应较大，且位势梯度对圈层扩散的边际影响效应大于情感共轭的影响。因此，在圈层扩散行为管控及治理过程中，应重点降低因位势梯度而引起的不准确信息的快速扩散，尤其因客观信息披露不及时而导致用户圈层扩散效应，从而引起小道消息的快速和广泛流动。同时，加强用户情感引导及情绪疏通工作，尤其在突发事件发生的初期则为情绪引导和情感扩散控制的最佳时间。通过对用户位势梯度、情感疏导及圈层扩散现象的管控，及时抢占网络话语主动权，从而降低用户认知偏差的产生和聚变。其次，由于情感共轭的自相关滞后效应及位势梯度的冲击对情感共轭存在显著影响，情感共轭冲击及位势梯度自相关效应对位势梯度存在显著影响。因此，通过对用户情感共轭的监管，既能减少用户圈层扩散，也能降低位势梯度。同时，通过对位势梯度的管控，既能减少用户圈层扩散的负面效应，也能降低用户因情感共轭增大而引起情绪极化的风险。通过对突发事件中用户情感共轭和位势梯度的管控，可较好地实现降低用户情感共轭、弱化位势梯度、降低用户圈层扩散三者间的良性循环，实现关键影响因素的源头性协同治理，从而大幅降低因用户圈层扩散而引发舆情失控的风险和概率。最后，由于情感共轭、位势梯度及圈层扩散之间相互影响效应在不同用户类型上存在差异，因此在突发事件圈层扩散行为治理过程中，对用户圈层扩散行为可采取用户细分差异化策略，根据不同用户类型制定有针对性的监控和管理措施。具体而言，在进行情感引导、位势梯度管控及圈层扩散监控过程中，在性别方面，应加强对女性用户的重点监控;在年龄层面，重点加强对29岁及以下用户群体的引导和监管，其次为30～49岁的用户群体;在学历层面，重点加强对小学及以下用户群体的引导和监管，其次为中学学历的用户群体。

参考文献

[1]郭庆光.传播学教程（第2版）[M].北京：中国人民大学出版社，2011.

[2]王核成，鲁东琴，裘懿.技术多元化对企业探索性创新的影响——网络位势的调节效应[J].科技管理研究，2018，38（14）：10-18.

[3]洪俊杰，商辉.中国开放型经济的“共轭环流论”：理论与证据[J].中国社会科学，2019，（1）：42-64.

[4]张妍，赵坚.产业集聚度视角下的开发区产业集群效率分析——以兰州新区为例[J/OL].统计与决策，2020，（12）：117-120.https：//doi.org/10.13546/j.cnki.tjyjc.2020.12.025，2020-07-16.

[5]王冬青，丁锋.基于辅助模型的多新息广义增广随机梯度算法[J].控制与决策，2008，（9）：999-1003，1010.

[6]Marin L，Hào Dinh Nho，Lesnic D.Conjugate Gradient-Boundary Element Method for the Cauchy Problem in Elasticity[J].Quarterly Journal of Mechanics & Applied Mathematics，2018，（2）：227-247.

[7]Maness，Michael.A Theory of Strong Ties，Weak Ties，and Activity Behavior[J].Transportation Research Record Journal of the Transportation Research Board，2017，2665：30-39.

[8]Dolan R J.Emotion，Cognition，and Behavior[J].Science，2002，298（5596）：1191-1194.

（责任编辑：郭沫含）