基于SIR的涉恐网络舆情传播动力学模型研究

杨谨铖　苏国强　周杰　刘冰月　夏一雪

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%（人×次），其含义是：在易感人群中每一个人接触一次涉恐舆情事件信息时，有15%的概率受到传染相信该涉恐网络舆情事件。

（5）引导速率=涉恐已感染人群/引导时间。

（6）引导时间=10 d，其含义是：经过10 d的引导，涉恐已感染人群能转变为涉恐免疫人群。

2 仿真结果与分析

2.1 在既定参数下模型运行结果

假定网民总数为100 000人，设定初始有1人为涉恐已感染者，99 999人为涉恐易感人群，0人为涉恐免疫人群，即无人对此次事件免疫。在不改变参数的情况下，涉恐易感人群、涉恐已感染人群、涉恐免疫人群变化趋势、传播速率、引导速率变化趋势如图3所示。

2.2 政策设计

2.2.1 接触速率改变

系统初始设定接触速率为8人/天，现分别将其改變为4人/天、12人/天，涉恐已感染人群数量变化趋势如图4所示。

由图4可知，涉恐已感染传播人群数量的变化趋势随着接触速率的改变呈现出不同的变化趋势，接触速率越大，曲线到达峰值的时间越短、数值越大，曲线倾斜度变化越大。

2.2.2 接触后相信比例改变

在此模型中，初始接触后相信比例为15%，现分别将其改变为10%和20%进行模拟仿真，涉恐已感染人群数量变化趋势分别如图5所示。

由图5可知，当接触后相信比例增大时，曲线到达峰值的时间越短，峰值的数值越大；当接触后相信比例减小时，曲线到达峰值的时间延长、数值变小、曲线更加平缓。

2.2.3 引导时间改变

模型初始设置的引导时间为10 d，现在分别将其改变为6 d和14 d。涉恐免疫人群数量的变化趋势如图6所示。

由图6可知，引导时间越小，曲线的上升的时间愈快，这说明相关部门的引导力度加大，将引导为涉恐免疫人群的时间缩小，以更短的时间将该涉恐网络舆情事件平息。

2.2.4 涉恐易感人群数量改变

模型初始设置涉恐易感人群数量为99 999人，现将其改变为49 999人，涉恐免疫人群的数量为50 000人。涉恐易感人群、涉恐已感染人群、涉恐免疫人群数量变化趋势如图7所示。

如图7所示，相较于图3，涉恐易感人群转变为涉恐已感染人群、涉恐已感染人群转变为涉恐免疫人群的曲线变化更加平缓，涉恐舆情事件爆发的高峰期更加滞后。

3 结语

通过基于SIR传染病模型对网络涉恐舆情传播过程进行系统动力学模拟仿真，设定网络中各类人群的状态及初始值，使用动力学软件模拟网络涉恐舆情传播过程，提出以下建议：（1）降低网络涉恐易感人群的接触速率。当接触速率降低时，可使网络中涉恐易感人群转变为涉恐已感染人群的时间延后，速度变慢，相关部门应对的时间更加充足，出现网络舆情危机的可能性降低。因此在舆情传播过程中，必要情况下政府部门可以通过删除信息、屏蔽网页，甚至断网的措施降低涉恐易感人群的接触速率。这种措施虽然对于降低涉恐接触速率十分有效，但不可长期使用，会增加网民对政府的不信任感，降低政府的公信力。（2）减少网络涉恐易感人群的相信比例，并降低网络涉恐易感人群的数量。加强对网络中网民综合素质的培养，提高社会网民整体学历水平，推进政府信息公开，倡导积极的网络文化，建立稳定有序的舆论环境，不信谣、不传谣，使更多的网民成为理性的涉恐免疫者。（3）增大引导速率。加强引导速率增大措施，对于处理涉恐舆情的传播是极为有效的。政府在引导时扮演的角色极为重要，政府应将官方舆论场与民间舆论场打通，及时调查事实真相，公布事件的最新进展，采取有效的措施，做好事件的处理工作，提高网民的信任度，有效控制涉恐舆情事件的发展，减少次生舆情事件的发生。

参考文献

[1] 第39次《中国互联网络发展状况统计报告》[EB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201701/t20170122_66437.htm.

[2] Mengshu Xie，Zhen Jia，Yanfei Chen，et al. Simulating the Spreading of Two Competing Public Opinion Information on Complex Network[J].Applied Mathematics，2012，3（9）.

[3] 黄微，李瑞，孟佳林.大数据环境下多媒体网络舆情传播要素及运行机理研究[J].图书情报工作，2015（21）：38-44，62.

[4] 苏国强，兰月新.基于SIR的突发事件网络谣言扩散模型研究[J].武警学院学报，2013（4）：90-92.

[5] 曹帅，兰月新，苏国强，等.基于移动平均法的微博舆情预测模型研究[J].湖北警官学院学报，2014（3）：40-42.

[6] 李旭.社会系统动力学：政策研究的原理、方法和应用[M].上海：復旦大学出版社，2009：19-42.