基于小世界网络的新冠肺炎疫情谣言传播仿真研究*

薛晓斐

（郑州大学旅游管理学院 郑州 450000）

0 引言

近年来，随着互联网进一步发展，尤其是近年来移动端的盛行，加之入网成本更加低廉，截至2019年6月，中国有网民8.54 亿，微信用户数有11 亿，新浪微博用户数有4.97 亿。据2018年《国民手机用眼行为大数据报告》显示，网民平均每天看电子屏幕时长近6 小时，占全天时间的24%，每天使用手机的次数达108次。移动网络成为人们互相沟通、浏览信息的重要平台。但由于部分民众的信息资源相对匮乏、认知能力有待提高、缺乏周密思考，社交软件平台成为谣言传播的重要场所和主要渠道并体现一些新的特点，如突发性强、传播速度快、内容广泛、影响程度大。尤其是当前爆发的新型冠状病毒肺炎事件更使得网络谣言甚嚣尘上。

2020年初湖北省武汉市新冠肺炎疫情发生后，各种谣言如雨后春笋一样充斥着网络空间，影响民众对有关疫情信息的判断，甚至左右民众的行为。从丁香医生公众号的谣言排行榜选择几个具有代表性的案例，“益生菌能提高免疫力，预防新冠肺炎”、“喝高度酒能抵抗新冠病毒”、“新冠病毒是人造的，由武汉病毒所泄露”、“双黄连口服液可以预防新冠肺炎”，其他诸如阴谋论、经济战等等无稽之谈，不胜枚举。新型冠状病毒肺炎疫情谣言相比于其他类型谣言更容易造成恐慌，对人民的生命财产安全造成重大影响，对社会公共秩序造成了极大破坏，危害广泛。

因此，对网络中疫情类谣言的传播过程进行有效监控和预测，研究其传播机理和控制策略，将有利于权威部门对相关谣言及时澄清和有效治理，从而避免不良事件的发生。

1 文献综述

通过检索近年来的CSSCI期刊和中文核心期刊论文，国内相关研究较少且集中于突发性事件、公共卫生舆情等方面。殷晓椿从公共管理学的角度出发，将新媒体环境下的疫情谣言作为研究对象，通过对个案整理分析，结合新媒体和公众行为特点研究出这两者对疫情谣言传播的主要影响，用问卷调查和主成分分析法验证出疫情谣言传播主因子由重要性、模糊性、危害性和可信性组成[1]。只是呈现疫情谣言在网络上的传播路径和特点，并没有使用传播模型。易杰以突发性公共卫生事件的视角出发，以两个事件为案例，对疫情的作用范围、传播渠道、传播内容进行定量和定性分析，并基于奥尔波特理论，创建出新的传播模型，对各方面提出相应治理政策[2]。付红安等运用质性研究方法，通过对禽流感相关谣言的传播机制以及折射出来的现实困境进行研究，认为对信息真假的识别难度主要有以下三方面：舆论监督不力、受众需求复杂、信息解读不足[3]。

疫情属于突发性事件的范畴，更多研究学者将谣言作为政府如何应对突发性舆情来探讨。孙雷霆等运用Anglogic 仿真平台，使用Multi-Agent建模技术，从宏观和微观相结合的视角，建立虚假舆情传播的Bass 扩散仿真模型，直观展示传播个体行为，揭示传播程度和策略有效度[4]。但这些研究存在不足之处，虚假舆情的作用机理还需进一步考虑其他因素的影响，如信息的时效性、用户对信息的关注程度等。陈业华等运用运筹学相关方法，分析突发事件社交网络舆情扩散趋势的转折点，给出最优控制的目标函数，并推导出使目标函数最小的舆情扩散控制方法[5]。魏静等在传染病动力学SIR模型的基础上，提出有部分无知者直接变为免疫者以及具有衍生效应的SIR 改进模型，并根据现实网络的特征，结合微博网络拓扑结构进行了有向无标度网络的设计[6]。

目前的研究在以下方面有一定的局限性。

（1）谣言在网络中的传播过程。已有模型构建大部分是从宏观角度考量的，如系统动力学、运筹学、微分方程。这些模型中个体状态之间的转化基于全局耦合网络结构和个体的同质性，然而真实的社会网络具备稀疏性，不同个体具备异质性，这种设定有助于模型的简化，但是不利于对谣言传播网络的合理抽象。没有从微观层面综合考虑复杂社会网络的拓扑结构及不同个体的异质性等因素对传播过程的影响是不具体的。

（2）谣言传播的网络渠道。目前国内许多有关舆情传播的研究中，大部分学者是基于新浪微博平台构建的规则网络或者无标度网络，但现实中网络谣言的扩散渠道不只有微博，微信、抖音、快手等社交平台，尤其是中老年人使用频率很高的微信，且该群体在谣言传播中占比很大。未对网络传播渠道进行归纳处理，仅从单一社交平台研究网络谣言传播过程是不充分的。

本文利用Agent-Based Modeling 建模技术[7]，通过从微观层面定义Agent 的行为和状态属性并构建具有小世界特征的复杂网络来进行模拟疫情类谣言的传播过程和网民状态转化趋势，还原并解释在真实互联网中谣言的演进与传播过程[8]，并在仿真运行时自底向上捕捉涌现现象[9]。

2 疫情谣言传播模型构建

2.1 网络谣言传播模型的建立

谣言传播并不是一步完成的。在传播过程中，谣言最初由一个或几个网民发布出来，之后被部分网民接收到并使其成为谣言知情者。非常时期群众的心理持续处在恐慌状态，对有关疫情的话题更加敏感，关注度较高[10]。部分知情者转化为传播者后，开始对谣言进行转发或分享等在线行为，并通过社会关系网络传播给与其有连接关系的其他民众，这将导致更多的网民成为谣言知情者，从而致使参与谣言传播的群体数量不断扩大，直到权威媒体对该谣言进行辟谣才逐步终止。因此，本研究结合具有类似传播效应的经典传染病SIR模型[11]，为了更加符合现实情境，借鉴丁学君提出增加一个接触状态（知情者）从而构建出SCIR模型[12]，将网民在整个传播过程共分为四个阶段（或者状态），如图1所示。

图1 网络传播模型SCIR 及各状态转化

易感状态人群S：指所有可以接入互联网的人群，易获得的网络信息并可以自由发布观点。

接触状态人群C：指从网络或者社交媒体接收到谣言的人群而成为知情者，依据自身判断能力对谣言进行鉴定及识别，同时观察其他人员对该谣言的判别，进而影响自身的行为。

传播状态人群I：指对接收到的谣言深信不疑、并对该谣言进行转发的人群，通过对该谣言传播影响其他人员。

免疫状态人群R：指对谣言失去兴趣不再关注和转发的人群。

2.2 网络谣言传播模型的四个设定

由于传播人群和传播网络的复杂性和不确定性，本文提出四个设定。

设定1：电信运营商提供的通讯服务无任何故障，所有人均可无障碍进行网络信息互动。

设定2：该人群总体保持不变，不考虑新入网人员以及退网人员。

设定3：该人群均匀分布各个上网人群的年龄段、学历水平、认知能力等等，可被网络谣言所左右自身的行为。

设定4：不考虑与其他网络谣言事件的耦合性。网络谣言在一段时间内并非单一存在，本研究不考虑谣言之间在传播上的交叉影响。

2.3 网络谣言传播模型中各状态之间的转化规则

传播模型的构建伴随着计算社会科学研究的兴起而得到不断拓展，不仅体现在各传播模型的内在数学机制上，模型所处的微观环境也是极为重要的一方面[13]。具体而言，所有参与谣言传播的个体以一定规则连接形成的复杂网络，个体通过其间的连接关系实现谣言的流动和传递，其拓扑结构会对传播趋势和过程产生影响[14]。个体状态依据转化规则不断发生变化，状态的不同主要体现在行为上的差异，各状态之间的转化结果决定谣言传播的规律和机制[15]。主体各状态之间转化需符合以下规则，具体参数详解如表1所示。

表1 主体各状态转化的参数详解

规则一，疫情发展与谣言传播的动态性。谣言的生成在于对真相披露的歪曲，有简化、强化、同化三种模式。尤其在事实很模糊的情况下，部分群体对未经证实的信息通过三种模式中的一种或多种包装后进行传播扩散以获得认知的自豪感，具体表现是作为这则“信息”的早期知情者通过转发分享等行为以获取人们的关注或者对他人提供谈资。疫情的不断向前发展为谣言的产生与传播提供环境基础[16]，处在恐慌情绪中的民众接收到的大量信息或多或少与疫情相关，甚至还有人利用互联网主动搜寻疫情类内容并进行转发和分享，谣言便混杂在这些内容当中。反之，谣言的传播渠道主要是通过虚拟的社交网络平台，不同于瘟疫的扩散需要真实的近距离接触，除非是有悖于疫情防控的谣言并未被识别，否则谣言的传播对疫情发展没有直接相关关系。谣言的类型、数量、范围、传播速率等与疫情的发展时期呈现动态演进的特征，疫情发展时期的不同必然导致谣言各方面的变化，因此疫情发展与谣言传播具备动态性的特点。

规则二，个体的交互不仅是发生在直接连接的邻域个体之间，还可能发生在与其间接相连的随机个体之间。网络规模的庞大决定了社交网络不可能具有全局耦合的特征，即便网络中存在簇、团等同质性很高的个体群，大量的节点拥有很高的度值，但相比整体而言网络仍具有稀疏性[17]。互联网的开放性表明没有直接连接的个体同样可以进行谣言的传递，基于兴趣、利益、阶层等因素形成的标签群组有助于谣言的扩散。虽然谣言在间接连接的随机个体之间传播的概率远低于直接连接的个体之间，却是对谣言在网络中传播的合理抽象。

规则三，个体状态的改变受制于对其产生影响的个体（包括强链接和弱链接）的数量和状态。根据戈培尔效应，谣言之所以成为谣言并被传播实际上就是心理累积暗示造成的，心理暗示是指人或周围环境以言语或非言语的方式，含蓄、间接地向个体发出信息，个体无意识地接受了这种信息，从而做出一定的心理或行为反应[18]。因此，个体状态的变化受到两种因素的影响，具体而言，一是能够对个体产生影响的交互对象的数量，用以度量对交互对象发布谣言的接受状况，与个体自身心智结构和经历有关；二是能够对个体产生影响的交互对象的状态，个体所处的状态意味着产生相应的影响力，在一定条件下对其他个体状态的转化起到推动或抑制作用。综上所述，这两个变量的积性函数共同决定了个体在谣言传播过程中状态的改变。

2.4 网络谣言传播模型的数学表达

假设社交网络群体规模为N，令St，Ct，It，Rt，分别表示t 时刻该状态的总数量，St+Ct+It+Rt=N。α，r，θ，μ，ω 分别表示相应状态之间转化的概率。{A1，A2，A3，···，An}为N 中所有的个体，并按照一定的连接规则组成复杂关系网络G，社交网络平台中的个体之间信息传递是双向的，故G 属于有向对称网络。具体而言，令j〈n，个体与{A1，A2，···，Aj}（记为G1，G1小组内个体的数量即为Ai的度）直接连接，与{Aj+1，Aj+2，···，An}（记为G2）为随机连接，且均为完全对称连接，即G1，G2组内的成员可以与Ai互相进行信息的传递。Ai在t 时刻的状态用Ai,t│s=z（z ∈{1,2,3,4},分别对应S、C、I、R 四种状态）表示，并根据从G1，G2中接收到信息状况决定是否转变自身的状态。

处在易感状态的个体只要可以受到与其连接的一个传播者发布谣言的影响，每一回合便以概率α 转化为接触者，虽然理论上的取值在0到1 之间，相关文献对α 的取值较小通常在0.05到0.2 之间，但是本研究中α 的值会适当大一些，因为对个体产生影响的交互对象存在很多强连接，信息的传递较为频繁且成功的概率相对较高。另外部分网民对微信朋友圈、抖音、微博等几乎视而不见，至始至终对谣言完全不知情，以忽略网络信息概率r 从易感者直接到免疫者，这种情况下r 的取值非常小。如下：

部分十分理性的网民，一般为高学历或者专业人士，在接触到信息后，基于自身的知识、专业水准和认知能力，可以断定信息真伪。如果识别出谣言，则以识别网络信息概率ω 从接触者直接转化为免疫者。 接触者到传播者转化的成功与否取决于对网络谣言的信任程度，与不同传播者对同一谣言传播次数m 有关，接触者会以θ=1-（1-γ）m的概率接受此谣言并进行传播[19]，代表单个感染者对浏览者感染成功的概率。根据认知的有限性，需要考虑m 的上限值，设定当m达到上限值后个体仍未从知情者转化为传播者，则直接转化为免疫者。如下：

另外采用如下指标对传播过程进行分析，

3 传播模型仿真实验及结果分析

3.1 传播模型仿真实验构建

在基于Java 的Repast S 平台上，采用ABM仿真技术将现实中的网民实体映射为模型中的独立决策主体（Agent），主体具有属性、状态和决策行为[20]。网民的个体行为映射为主体的决策行为，决策影响主体的状态转化；网民的个体特征映射为主体的属性。随着时间的推进，每个主体在既定规则下选择交互对象，并通过其间的交互行为改变个体的状态来体现谣言的传播趋势。

在仿真模拟系统中，基于小世界网络（以下简称WS 网络）（Watts &Strogatz，1998）[21]构建的主体之间的结构是完全对称的，具有平均路径长度短和聚类系数大的特征，如图2。所有网络节点（即主体）之间的连接关系是随机建立的，每个节点结合自身特征根据转化规则并评估所处环境做出相应决策，在此过程中对其他节点产生影响并接受其他节点的影响，自身状态发生变化或者保持不变。

图2 小世界网络结构图

在模拟中，节点总数（即网民总数）N=3000，其中5个为初始传播者，初始传播者始终处在传播状态而不发生改变，其余为易感者。每条边随机重连的概率为0.1，每个节点有10个直接邻居，并从非直接连接的邻居中随机抽出3个进行交互。

本文主要研究疫情类谣言的传播过程和控制，对于给定的变量，在不改变或影响问题本质的前提下，根据各参数之间的逻辑关系进行适当假设，评估各个参数对谣言传播的影响。

3.2 接收概率α 对传播过程的影响分析

设置给定参数r=0.01、ω=0.01、μ=0.1、γ=0.1、m=3 保持不变，对α=0.08、α=0.1、α=0.12、α=0.15 各进行20次重复模拟实验取平均值，结果如图3所示。

图3 α 取值不同时对网络谣言传播过程的影响

以上图形为随时间的变化，各状态个体在t时刻的总量比例。图3-a表示易感者的总量比例变化趋势，图3-b表示接触者的总量比例变化趋势，图3-c表示传播者的总量比例变化趋势，图3-d表示免疫者的总量比例变化趋势。

由图可知，改变α 的值对Ct曲线、It曲线的走势影响较大，对St、Rt曲线走势影响不大仅是位置上左右平移。随着α值增大，Ct、It曲线向左上方移动，L2,t、L3,t的最大值越大，并最终达到平衡状态。谣言事件初期传播者数量较少，导致知情者和传播者的数量增加较为缓慢，易感者向知情者转化取决于建立连接关系的个体中是否存在有传播者并成功接收所转发的谣言信息。另外只要存在m〉1（交互对象中传播者的数量），C →I 的转化速率便大于I →R 的转化速率，大量的个体在接触状态未长时间停留便迅速转移并持续处于传播状态，经历一段时间后再次转移到免疫状态，导致在谣言传播过程中n2,t的最大值小于n3,t的最大值。

各曲线的变化说明参数α 与接触者、传播者的数量呈正相关关系。α值越大，谣言传播速度越快，爆发性越强，事件造成的危害越大。

3.3 感染概率γ 对传播过程的影响分析

设置给定参数α=0.1、r=0.01、ω=0.01、μ=0.1、m=3 保持不变，对γ=0.08、γ=0.10、γ=0.12、γ=0.15 各进行20次重复模拟实验并取平均值，结果如图4所示。

图4 γ 取值不同时对网络谣言传播过程的影响

由图可知，改变γ 的值对曲线Ct、曲线It的走势影响较大，对St、Rt曲线的影响主要体现在加速和减缓上。随着γ值增加，曲线St、Rt曲线均向左侧移动，曲线Ct的峰值减小并提前到达峰值点，曲线的峰值增大并提前到达峰值点，最终达到平衡状态。谣言信息是否持续不断传播扩散关键在于接触者向传播者转化的概率θ，加上本文对于感染率的处理方式采用多个体传播效用概率θ=1-（1-γ）m，这将直接导致随着相连的个体处于传播状态的数量越多，C →I 的转化成功率变高。另外随着传播者数量逐渐增多，群体在从众和恐慌双重心理效应下，C →I 的转化过程中呈现加速现象，传播者数量出现井喷，短时间内达到顶峰。

各曲线的变化说明参数γ 与接触者、传播者的数量增加呈正相关关系。γ 的值越大，接触者感染速度越快，个体在接触状态停留的时间越短，传播人群的迅速增大为后续的谣言治理增加难度。

3.4 移除概率μ 对传播过程的影响分析

设置给定参数α=0.1、r=0.01、ω=0.01、γ=0.1、m=3 保持不变，对μ=0.08、μ=0.1、μ=0.12、μ=0.15 各进行20次重复模拟实验并取平均值，结果如图5所示。

图5 μ 取值不同时对网络谣言传播过程的影响

由图可知，改变μ 的值对曲线Ct、曲线It的走势影响较大，对St、Rt曲线的影响主要体现在加速和减缓上。随着μ值增加，曲线St、曲线Rt到达平衡状态的时间均向右侧移动，曲线Ct的峰值推迟到达，且先降低后升高，曲线It的峰值降低并推迟到达峰值点，最终达到平衡状态。终止谣言的传播关键在于μ值，当大量传播者转化为免疫者时，网络中的易感者接收不到谣言信息，谣言事件便到此可以结束。当μ值较小时，各曲线走势相对较为平缓，仅是最大值的大小和到达时间以及平衡状态的到达时间不同，且当μ〈γ时曲线的峰值小于曲线的峰值。但当μ值等于0.15 时曲线的峰值大于曲线的峰值，I →R 的转化速率较大导致传播者不能长时间停留在传播状态，无法对其他个体产生影响，一方面S →C的转化受到抑制，每消失一个传播者导致减少一次谣言传播的机会，与其连接的个体无法接收到谣言信息致使状态保持不变；另一方面C →I 的转化成功率将会降低，减少一个传播者意味着m的值需进行相应的调整，m值越小C →I 的转化率θ=1-（1-γ）m越小最低可降至零。

各曲线的变化说明参数μ 与接触者、传播者的数量增加呈负相关关系。μ值越大，传播者更容易发生状态转移到免疫者，个体在传播状态停留的时间越短，抑制谣言的传播时间。

3.5 认知有限性m 对传播过程的影响分析

设置给定参数α=0.1、r=0.01、ω=0.01、γ=0.12、μ=0.08保持不变，对m=2、m=3、m=4、m=5 各进行20次重复模拟实验并取平均值，结果如图6所示。

图6 m 取值不同时对网络谣言传播过程的影响

由图可知，改变m 的值对曲线Ct、曲线It的走势影响较大，对St、Rt曲线的影响主要体现在加速和减缓上。随着m值增加，四条曲线到达平衡状态的时间均向左侧移动，曲线Ct、It曲线的峰值提前到达，且随m值变化趋势相反，并最终达到平衡状态。谣言很容易造成负面暗示，对人、对事情、对社会事件的一种不正确信息的传播。在真理效应中，对于普通网民而言，重复是一种巨大的力量，谣言一旦重复到一定次数便成了真理，“三人成虎、积毁销骨”即是如此。根据转化规则，m 的值越大，C →I 的转化成功率越高，但需要个体的连接节点中，同时存在m个传播者。事实上，疫情恐慌下人民在信息洪流中看到的都是各种情绪而非真相，很多人对谣言并不需要过多的心理暗示便开始复制转发。甚至一些媒体在未经求证的情况下进行转载，不知不觉扩展了谣言的传播空间，成为网络谣言的推手和帮凶。

参数m 与接触者、传播者的数量增加呈正相关关系。m值越大，接触者更容易发生状态转移到传播者，加速谣言的传播速度，谣言事件的危害性就越大。

4 结论和建议

通过分析新冠肺炎疫情谣言传播过程的特征和规律，结合传染病模型SIR，采用符合现实情境的SCIR模型，并对此模型进行仿真实验，结果显示：（1）该模型基本符合疫情类谣言在网络平台传播的演变趋势，网络上传播者越多越促进传播人群数量迅速达到顶峰，待谣言被澄清后传播者数量逐步回落；（2）具有小世界特征的网络人际关系对谣言传播起到加速推动作用，大部分网民易受戈培尔效应的影响；（3）对各转化率的管控，为政府和机构有效监测和治理网络谣言提供必要参考。

针对新冠肺炎类谣言，政府应从多方面入手进行干预，阻止谣言的产生和进一步传播，可采用以下策略来降低接收概率α 和感染概率γ，提高移出概率μ 和识别谣言率ω。首先，加强网络舆情监测，通过互联网数据追踪到谣言的发布源，直接封存账号删除内容，切断与外界的传播链条，降低接收概率α，减少易感人群接收到谣言的机会从而实现对谣言的有效管控。目前互联网账号开展实名制注册已经运行多年，数据追踪技术基本成熟，在谣言发展的早期阶段及时寻找到传播者成为治理的关键，例如在疫情期间某地市一些不法分子在当地无确诊病例的前提下散布有确诊患者，公安机关迅速锁定发布源和传播者，强制删除相关不良信息使公众无法再次接收到，谣言迅速得以平息。

其次，政府部门或者相关机构应该及时对谣言进行澄清说明和披露事情的真相，普通网民之所以选择传播谣言大多数是对事情的原委没有清晰的认识，一些自媒体盲目转发以获取关注，可通过“谣言止于公开”来降低知情人群的感染概率γ 和提高传播人群的移除率μ，官方媒体及时发布有关民众关注的问题，从而抑制谣言的进一步发展。公众号丁香医生的菜单里有“谣言排行榜”和谣言粉碎机就是专门针对网络中新冠疫情谣言进行及时收集并由行业内专家辟谣，使广大民众能够通过这些平台鉴定信息的真伪，从而避免一些不必要的损失。

第三，从立法层面入手，通过持续的宣传教育和制定相应的法律法规，规范管理各类公众号、网络红人等自媒体，发布和转发谣言需承担一定的法律责任。网络不是法外之地，言论自由不等同于肆意散布谣言，每个网民要约束在线行为，慎重对待不明来源的疫情信息，不造谣、不信谣、不传谣。即便网络中依旧存在疫情谣言，在法律的权威下公众仅仅是接收到并持续停留在知情态不再进行转发，大幅降低感染概率γ，谣言无法得到大面积的传播，从而实现有效的控制。

各级政府部门应从最早干预时间和最大干预程度综合采取措施降低新冠肺炎疫情谣言对社会的危害，维护公共秩序，实现网络健康发展，营造清朗的网络空间。

未来研究中，考虑传播节点的异质性、各节点之间连接的强弱关系对谣言传播效应的影响，对本文提出的模型进一步补充。另外，各参数的调整是根据经验设置的，存在一定的不足之处。