共生理论视域下网络舆情演化研究

张艺炜 邓三鸿 胡昊天

摘 要：[目的/意義]网络舆情演化具有类似自然生态系统的递进特征，满足Logistic模型，本文基于共生理论视角，研究网络舆情演化全过程中参与网民群落内部的交互作用，可以为细化网络舆情要素研究及调整舆情危机处理模式提供参考。[方法/过程]以舆情事件参与网民为核心，总结了网络舆情演化机制和共生模式，构建了基于扩展Logistic方程的网络舆情演化共生理论模型并进行仿真模拟。[结果/结论]通过新浪微博中管控合理和管控不当的两例舆情数据验证了网络舆情生态系统二维共生模型的合理性，总结了不同演化阶段和管控条件下参与网民各单元间的共生关系及成因。

关键词：网络舆情;共生理论;共生模式;扩展Logistic模型

DOI：10.3969/j.issn.1008-0821.2021.07.001

〔中图分类号〕G206 〔文献标识码〕A 〔文章编号〕1008-0821（2021）07-0003-10

Study on Evolution of Network Public Opinion Based on Symbiosis Theory

Zhang Yiwei1，2 Deng Sanhong1，2* Hu Haotian1，2

（1.School of Information Management，Nanjing University，Nanjing 210023，China;

2.Jiangsu Key Laboratory of Data Engineering and Knowledge Service，Nanjing 210023，China）

Abstract：[Purpose/Significance]The evolution of network public opinions is similar to the development characteristics of natural ecosystems，which satisfies the Logistic model.Based on the symbiosis theory，this paper studies the interaction among netizens involved in the whole process of network public opinion evolution，which could provide reference for the in-depth study of network public opinion elements and the adjustment of public opinion crisis management mode;[Method/Process]This paper，with the participation of network public opinion netizens as the core，summarized the evolution mechanism and symbiosis characteristics of the network public opinion，and constructed the symbiosis theory model of the online public opinion ecosystem based on the extended Logistic equation and ran a simulation experiment;[Result/Conclusion]This paper verified the rationality of the two-dimensional symbiosis model of the network public opinion ecosystem through two examples of in weibo，which were reasonable and unreasonable in control，and summarized the symbiosis evolution model and its causes among the internal units of netizens participating in different evolution stages and control conditions.

Key words：network public opinion;symbiotic theory;symbiotic mode;extended Logistic model

根据第46次《中国互联网络发展状况统计报告》，截至2020年6月，我国网民规模达94亿，互联网普及率达67%，5G终端连接数超过6 600万[1]。移动互联网的高效率和便捷性使网民可以及时参與网络事件讨论，从而产生不同种类、程度的网络舆情。网络舆情是网民对网络中传播的社会事件所反映的评价、态度和情感的总和[2]，其中网民发表或评论的海量文本、图片、视频等信息成为网络舆情的存在形式，参与网民是网络舆情的制造核心、影响核心和扩散核心，其情绪态度等通过主动发表观点或评论他人观点进行交互[3]，形成不同的网络舆情共生模式，参与网民间进行意见表达和交流从而扩展网络舆情辐射范围和影响力。因此，从系统角度分析网络舆情生命周期内参与网民各单元间相互作用的成因、方式和结果，有助于深入了解其行为动机和舆情传播规律，从而准确定位舆情走向、分类网民行为、合理干预网络舆情传播及调控。

1 文献回顾

国内外学者对于信息传播中的群体行为进行了大量研究，生态学家至少从1927年就开始意识到网络关系对于人类群体行为的重要性[4]，Davenport T H等[5]提出微观角度的信息生态学概念，认为信息生态系统中参与人之间的行为是系统的关键要素，为从微观参与主体角度研究信息生态系统演化奠定了理论基础;Jordán F等[6]在上述理论基础上通过对比自然生态和网络生态结构，指出在关注网络中主体的同时更应关注其中的交互关系;同时Sunstein C R[7]在其著作中详述了网民间意见交换对于群体观点整合演化的系统过程。

在逐渐清晰的信息生态系统理论体系结构基础上，开始出现了一系列以生态系统为切入点的网络舆情研究，主要包括网络舆情的系统构成要素和特征量分析[8-9]，以及网络舆情演进机理、系统种群演化方式等研究[10]。Wang X等[11]通过具体舆情案例，从舆情传播特征和网络节点结构等方面进行移动互联网和非移动互联网的舆情传播特征对比，并进行了传播节点和路径特征分析;Tinggui C等[12]将网络舆情演化发展视作闭环，在重点考虑舆情参与者个体特征及交互作用的基础上建立了舆情参与主体观点演变模型，并分析了群体行为成因;唐亚阳等[13]从种群增长规律切入，实证研究了100起重大教育类网络舆情事件，分析了演化影响要素;赵丹等[14]从信息生态理论层面对网络舆情特征量进行分析，认为网络舆情生态系统中参与人相关的信息环境特征量包括评论量、点赞量等;黄炜等[15]使用以生态学理论为依据的种群增长模型对微信消息转发影响因素进行研究，并通过仿真实验加以检验。

上述研究将网络舆情演化视作闭环生态系统，通过影响要素探究和构成特征量分析细化了研究粒度，同时促进了后续的种群视角下网络舆情演化方式研究。Yin F等[16]从共生系统视角，使用种群增长曲线对网络舆情演化进行拟合，并根据曲线形态进行网络舆情各发展阶段分析和预警研究;娄策群等[17]指出网络信息生态链的演化在于关键信息主体和关键环境因子的进化;李明等[18]在信息生态理论基础上，使用清晰集定性比较分析法对网络舆情突发事件进行了种群、环境等角度的影响因素和发生机理分析;曹海军等[19]从生态学的共生理论视角出发分析了网络舆情演化和导控机理，并从定性阐述了网络舆情演化的不同共生模式。

综上，国内外学者将生态学理论、系统思想和社交网络中信息传播规律相结合，将生态系统发展相关理论方法引入网络舆情演化研究，形成了较为丰富的研究成果。但目前基于共生理论的网络舆情演化规律研究较少，针对网络舆情传播主体进行种群关系角度的演化研究粒度较粗，且缺少实证类研究，难以从微观视角描述参与网民间的相互作用及其变化对于网络舆情演化的影响。因此，本文将生态学的共生理论引入网络舆情演化研究，探索网络舆情生态系统共生模式，以舆情演化各阶段参与网民单元间的共生关系为研究对象，基于扩展的二维Logistic模型，将参与网民视为由发帖者单元和评论者单元构成的二维共生群落，分析网络舆情演化各阶段的共生关系并讨论舆情演化规律。最后通过新浪微博中“福建泉州酒店坍塌事故”和“无锡高架桥坍塌事故”网络舆情案例进行不同管控条件下的类比实证研究，总结网络舆情生命周期中发帖者单元和评论者单元的共生模式及成因。为从微观角度认识网络舆情演化的内部特征和规律提供新视角，并为不同共生模式下舆情监管部门的危机处理机制等提供决策参考。

2 网络舆情演化的共生机理分析

共生是生态系统中种群发展的普遍现象，指两种及以上群落间的互相作用，共生系统由共生单元、共生模式、共生环境构成，共生单元和共生模式共同决定系统的演化方式及效率，共生环境容纳并限制系统发展，系统的状态、行为随时间的变化称为系统演化[20]。以参与网民为核心的网络舆情演化可以类比于以种群生长为核心的生态系统发展，在一定的网络舆情事件下，具有相似信息需求、信息资源、信息利益的参与网民构成以发帖者和评论者为分类的网络舆情共生单元，进而形成以共生单元间信息交互为核心的网络舆情演化过程[21]，共生单元间关系的成因、作用方式、变化趋势等受舆情事件进展、信息公开程度、政府监管力度、其他舆情事件干扰等多种因素综合影响。

2.1 共生单元

网络舆情演化中的共生单元是在信息获取范围、观点表达渠道、信息文化素养等方面具有一定共性特征的成员，是信息产生和交互的基本单位[19]，本文将参与网民视为共生单元，分为发帖者单元和评论者单元。参与网民是网络舆情的发起核心、参与核心、影响核心，是舆情监管部门的主要引导对象，在整个网络舆情生命周期中处于中心地位，同时也是舆情演化的信息承担者、意见表达者、情绪产生者，其规模对于网络舆情影响力有重要作用[22]。参与网民作为共生单元可以进行信息转化和观点交换，在网络舆情生态系统中表现为共生模式。

2.2 共生模式

共生关系是共生单元间的相互作用形式，并随网络舆情演化而发生变化，共生模式是描述舆情演化全过程中共生关系状态成因和变化趋势的总和。网络舆情信息包含文本、图片、视频等多种形式，本质都是参与网民情绪、态度和观点的交互。信息静态价值利用、信息动态交互、信息利益分配、环境资源竞争合作等是网络舆情生态系统中各共生单元间的相互影响方式，表现为网络舆情演进不同阶段中共生单元规模、影响因素、变化趋势等的差异。从关系對称性角度，共生关系包括偏促共生、偏抑共生、互促共生、互抑共生[23]。偏促共生和偏抑共生是指网络舆情演化特定阶段中，发帖者单元或评论者单元仅其中一方受另一方影响;互促共生和互抑共生表示网络舆情演化特定阶段中，发帖者单元和评论者单元同时受对方影响，网络舆情演化各阶段共生关系的成因和趋势，综合成为网络舆情共生模式。

2.3 共生环境

共生环境指直接或间接影响共生单元发展的外部条件的总和，包括政策法规环境、信息文化环境、信息技术环境和舆情事件自身走向等。政策法规环境指对信息产生、扩散、信息主体行为的约束和规范，决定了舆情传播边界和网民情绪观点表达限度;信息文化环境指网络舆情生态系统整体信息素养;信息技术环境包括网络基础设施和信息共享平台等，在客观上影响着网络舆情的辐射范围以及对现实世界的映射程度;另外，舆情事件自身发展走向也影响着事件受众层次和范围[24]。

共生单元、共生模式和共生环境共同描述网络舆情演化过程的共生机理，如图1所示，其中共生单元是网络舆情演化主体，共生模式是网络舆情演化动力，共生环境为网络舆情演化提供外部支撑。

3 网络舆情演化的共生模型构建

3.1 模型分析

生态学中的Logistic生长函数用于描述生态系统种群增长规律，种群增长速率在演化全过程中由快到慢直至停滞，且由于资源限制，种群数量增长存在上限。将网络舆情演化类比于生态系统发展，由参与网民组成的种群群落会以一定速度在信息获取、传播、内化等过程中成长，信息和观点存量快速增加。同时由于网民群落的信息交互融合，在扩大规模的同时使内部情绪意见复杂化，由于外部环境基本不变，信息存量和观点存量的增加受到舆情事件限度、信息基础设施、政策法规等制约，增长速度放缓，直至到达环境约束上限[25]，整体符合生物种群Logistic函数增长规律。

二维Logistic模型可以表示生态系统中二元种群的共生关系，系统内的共生单元有多种划分标准，对于网络舆情参与者，本文从信息流向和资源竞合角度将其分为发帖者单元和评论者单元。发帖者和评论者在发帖者处进行观点碰撞，发帖者出于热点事件发现、评论量阅读量等带来的成就感以及其他直接或间接收益，进行信息披露、观点发表，进而吸引评论，处于核心地位[26];评论者通过与发帖者或其他评论者进行观点交互，在发表自身观点的同时扩大了发帖者的信息影响力，推动网络舆情演化。

3.2 模型假设

假设1：本文以网络舆情演化中的参与网民为研究主体，使用发帖数量和评论数量衡量发帖者单元和评论者单元的规模。

假设2：由于环境限制，网络舆情参与网民数量有最大值，称为环境容量K，当达到K值时种群不再继续扩张。

假设3：以参与网民为核心的网络舆情演化会经历从萌芽、爆发、成熟到逐渐衰退的全过程[27]，且研究周期内舆情内容没有本质变化。

假设4：发帖者单元和评论者单元共生发展过程中，彼此对双方发展起到抑制或促进作用，不考虑这种影响作用的时滞。

3.3 模型设计

Logistic模型最早应用于有限资源环境中的生物种群数量估计[28]，广泛应用于种群生态学和社会学领域。据此建立网络舆情生态系统种群规模的微分方程表达式为：

其中N（t）为t时刻网络舆情生态系统的种群规模，α为种群自然增长率，Nl为资源限制条件下环境的最大承载量，1-N（t）Nl表示最大承载程度下实际种群未利用部分。求解方程得：

网络舆情生态系统的共生单元由多类型网民构成[29]，系统成员在互动过程中促进网络舆情演化，成员间观点一致或相违都会导致成员间在资源供给、利益获取等方面存在竞争与合作的双重关系。为简化研究，将网络舆情内部参与网民分为发帖者单元和评论者单元两类，即将该生态系统简化为二维共生系统，因此两单元共生时有：

其中N1（t）和N2（t）分别为二维网络舆情系统中各单元成长规模，Nl1和Nl2分别为各单元的成长上限，α1和α2为其自然增长率。与生态系统中生物种群类似，网络舆情系统演化中也存在不同的共生关系，各单元间互相作用共同影响网络舆情演化[30]。因此，使用种群共生系数β表示系统中群落单元间共生效应的大小，得到网络舆情参与网民的二维共生模型：

其中β12（β21）为单元一（二）对单元二（一）的共生效应，β21N2（t）Nl2和β12N1（t）Nl1分别为另一单元对其的影响程度。β12和β21同为负数且差值不大时，表示参与网民单元间为互促共生关系，单元一和单元二在网络舆情演化中互相促进彼此发展，网络舆情事件讨论量加剧，影响力增强;β12和β21同为负数但差值较大，或其中一个为0、一个为负数时，表示各单元间的正向影响程度不均，或资源和利益分配不平衡，即为偏促共生关系;β12和β21同为正数且差值不大时，表示参与网民单元间为互抑共生关系，单元一和单元二相互抑制，发帖和评论累进量基本保持稳定，不再增加;β12和β21同为正数但差值较大，或其中一个为0、一个为正数时，表示各单元间的负向影响程度不均，即为偏抑共生关系。

4 案例研究

4.1 数据来源

本文以新浪微博中管控良好的“福建泉州欣佳酒店坍塌事故”（事件A）和管控失范的“无锡高架桥坍塌事故”（事件B）为舆情数据来源，进行不同管控条件下网络舆情演化的二维共生模型的类比实证研究。2020年3月7日19时14分，福建省泉州市欣佳酒店所在建筑物发生坍塌事故，受伤42人、死亡29人。由于该突发事件与人民安全相关，且该酒店事发时为新冠疫情防控集中观测点，信息一经披露快速引起网民关注，大量网民通过社交媒体发表观点，同时政府部门立即展开救援和事故原因调查，官方信息披露及时，舆情管控良好。而对于2019年10月10日18时10分发生的“无锡高架桥坍塌事故”，共造成3人死亡，2人受伤，由于该突发事件涉及道路工程建设和公共安全，信息一经发布引起大量讨论，但当地政务微博等管理部门未及时进行情况通报和调查结果公布，舆情管控滞后，消亡缓慢。

由于上述舆情事件影响力较大、存续时间适中，且事件A导控良好而事件B管理失范，有较好的可比性，因此选择上述两次网络舆情作为实证案例。在新浪微博中以“福建泉州欣佳酒店坍塌事故”和“无锡高架桥坍塌事故”为关键词进行模糊搜索，采集评论数大于10的全部微博发帖（包括原创和转发）及其评论，以保证发帖数和评论数适量[3]，如表1所示。

4.2 数据处理与分析

为了消除实证数据数量级影响，使用公式N=X（t）-XminXmax-Xmin+α进行标准化，其中α=0.001，X（t）为t时刻累进原始评论或发帖数据，Xmin和Xmax为累进原始评论或发帖数据的最大值和最小值，N1表示发帖者单元规模，N2表示评论者单元规模。为验证所构建种群增长模型的合理性，使用式（1）分别对事件A和事件B的发帖者单元和评论者单元进行拟合，如图2所示，拟合效果良好（事件A有R21=0.984，R22=0.982;事件B有R21=0.964，R22=0.964）。从实际情况来看，由于网络舆情发帖者单元和评论者单元受到信息基础设施、舆情事件覆盖范围、相关政策法规等限制，其规模增长受到极限约束，符合种群生长角度的Logistic模型定义。

根据上述拟合结果，选择“萌芽期—爆发期—成熟期—衰退期”的4阶段模式[9]，结合舆情事件各自发展过程进行阶段划分。

对于事件A，事故发生后“应急管理部”等关注量较大的微博用户陆续发布事故相关信息，开始吸引网民关注，网络舆情进入萌芽期。“人民日报”于3月8日11时08分发布较为准确的事故情況说明，该类内容开始为事件A的网络舆情发展积累参与者并扩大影响力，因此选择此类信息的基本消失时间为节点，将0≤tA<9划分为该网络舆情的萌芽期。3月9日开始，舆情内容主要包括死伤人数跟进和事故原因初步分析，“央视新闻”在3月10日11时02分发布事故初步调查报告后，舆情热度迅速增加，直至3月11日0点左右，舆情内容开始转变为对于疫情期间搜救人员的关怀等，舆情评价累进量增速开始放缓，因此选择9≤tA<20为爆发期，该时段网民关注度和舆情热度增速达到峰值。3月11日开始，舆情主要内容演化为官方调查结果传播，“央视新闻”“人民日报”等官方账号相继发表事故死伤结果和责任认定结论，至12日22时左右，该类讨论逐渐平息，因此选择20≤tA<32为成熟期，该时段内网络舆情增速放缓。之后“人民日报”发表“国务院泉州酒店坍塌事故调查结果”，得到网民普遍认可，群众情绪平息，即32≤tA≤43为衰退期。同时由于疫情期间重大事件的发生较以往更为频繁，网民注意力更易被其他事件吸引，此次网络舆情事件存量保持平稳，逐渐消亡。

对于事件B，事故发生后，目击者陆续在微博上发布事件信息，开始吸引网民关注，网络舆情进入萌芽期。“中国交通广播”微博用户于2019年10月11日3时35分发布问责微博，引起发帖和评论数量的大幅增加，网络舆情热度迅速上升，舆情内容由事故现状传播转变为事故原因探讨，舆情影响力开始扩大，因此选择此类内容开始扩散的节点即0≤tB<6为该网络舆情的萌芽期。“人民网”在2019年10月12日15时55分发布事件结果相关内容，舆情内容由上一阶段的原因探讨、管理部门问责等转变为事件结果讨论和遇难者悼念，因此确定6≤tB<23为此事件的爆发期。2019年10月13日19时左右，该事件的舆情内容逐步转变为对事故原因的反思及以往类似事故的再讨论，事件逐步平息，因此选择23≤tB<38为该网络舆情的成熟期，该时段内网络舆情增速放缓。虽然舆情存续期间官方调查结果始终与网民预期不符，但由于网民注意力有限等因素，舆情逐步消亡，即38≤tB≤43为衰退期。同时由于网络舆情演化后期逐渐出现对以往“超载”“路桥坍塌”等事故的回溯，舆情本质逐渐变化，网民关注点转向，此次事件在未得到圆满解决的情况下保持存量平稳，网络舆情逐渐消亡。

4.3 二维共生演化模型验证

网络舆情生命周期中发帖者单元和评论者单元的发展历程，也是二者间共生关系不断演变的过程。以上述事件A和事件B的网络舆情演化阶段划分为依据，分别对各阶段共生系数β进行参数估计，分析网络舆情演化过程中发帖者单元与评论者单元间的共生关系及不同管控措施的影响。

4.3.1 模型参数估计与仿真

根据网络舆情参与网民二维共生模型即式（4），分别对事件A和事件B的发帖者单元和评论者单元进行参数估计，同时根据前文模型分析判断各阶段共生关系，如表2所示。

由于样本案例只能显示发帖者单元和评论者单元在限定时间内的阶段性关系，因此使用Matlab进行更多周期的仿真模拟，以辅助分析事件A和事件B在不同共生关系下发帖者单元和评论者单元的共生发展趋势，如图3所示。

4.3.2 讨论分析

由网络舆情事件A和事件B演化各阶段的共生系数计算和对比可以看出，网络舆情中发帖者单元和评论者单元的共生关系变化与传播阶段相关且受管理部门管控形式影响。因此从网络舆情发展的阶段性特征为切入点，结合实证案例受到的不同舆情干预情况，对网络舆情A和B的共生模式成因及差异进行探讨。

萌芽期时，网络舆情A和B的参与网民单元间均为偏促共生关系。事件A在萌芽期就已进行了官方的信息通报，该时期的舆情管理可以有效降低网络舆情热度，延缓其进入爆发期的时间。而事件B在萌芽期的舆情内容多为普通网民的事故进展跟进和原因猜测，容易使不实信息大量扩散导致网络舆情提前进入爆发期，造成后续舆情管理困难。舆情事件发生初期，舆情热度较低，发帖者主要进行舆情事件发布、传播，同时兼有少量的观点表达[31-32]。评论者根据发帖者信息进行舆情事件认识和观点交流，网络舆情观点主要由发帖者产出并由评论者扩散，评论者单元正向影响发帖者单元，同时由于网络舆情演化初期网民群体意见分散，发帖者单元观点较少且难以对评论者单元起意见倾向性影响，即评论者单元对发帖者单元扩大有正向作用，发帖者对评论者单元影响不明显。这种共生关系下，评论者由于事件吸引力等参与评论，提高了原帖热度，舆情事件信息吸引力和舆情影响力小幅增强，评论者由于意见多头无法形成有效的倾向性观点，网络舆情影响力增长缓慢。管理部门在萌芽期的合理引导可以推迟爆发期开始时间，但对参与网民单元间的共生关系变化影响较小。

爆发期时，网络舆情A和B的参与网民单元间均为互促共生关系。对于事件A，爆发期时舆情内容包括伤亡人数等事件发展情况跟进、疫情环境下的救援解决方案寻求、规划建设局等职能部门问责、愤怒和震惊等复杂情绪表达等，由于官方账号不断进行事故现状报道和调查进展披露，爆发期进入较慢、整体热度峰值较低;对于事件B，由于当地政务类账号未及时进行情况通报，该时期舆情内容包括事件原因探讨、事故责任质询、工程质量怀疑以及大量谣言等，爆发期进入迅速且持续时间较长。管理部门引导方式和力度对于该时期共生关系影响较小，但通过使爆发期提前而延长了互促共生的存续时间和作用程度。爆发期时舆情热度持续高涨，发帖者发布的内容包括事件推进信息和自身观点，引起评论者进行事件信息获取和观点表达，在吸引意见流内观点聚集的同时激发意见流间观点碰撞，即发帖者群落对评论者群落产生正向影响[33]。网络舆情系统整体群体极化程度增加，倾向于形成

图3 共生模型发展趋势仿真

多个稳定意见流，同时评论者通过发表评论和发帖者及其他评论者进行意见交流，网民意见在发帖处交汇，即评论者群落对发帖者群落也产生正向影响，参与网民单元间互促共生。管理部门疏导对于爆发期存续时长、舆情热度峰值、网民群体极化作用等有较大影响，并作用于共生关系起始时间和作用程度。该模式下，发帖者单元和评论者单元间观点交互跟进十分频繁，舆情系统内部逐渐形成多种意见流，群體极化程度增加，舆情事件讨论量高，影响力强。

成熟期时，网络舆情A和B的热度总体趋向稳定但内部共生关系存在差异。对于事件A，由于官方通报准确详实，舆情内容包括事件解决方案和责任人处理结果评价、悼念和悲伤等平稳情绪表达，参与网民单元间偏抑共生。网络舆情系统中仅一个单元对另一个单元有负向效应，反之则无影响，即为偏抑共生。对于事件A，网络舆情系统演化中后期时，由于官方回应及时明确，舆情事件脉络逐渐清晰，网民关注点逐渐从事件本身转到解决方案，讨论热度增速放缓。网络舆情系统内逐渐形成以发帖者为核心的多个意见流，意见流间观点差异较大，意见内流观点聚合[34]。评论者由于与发帖者及其他评论者观点相近而降低意见交流频率，因此发帖者单元对评论者单元有负向影响，同时由于帖子内部意见较统一，发帖者作为观点主动表达者受评论者影响极小，即为偏抑共生。这种共生关系中，发帖者和评论者观点交流较少，舆情事件发展脉络及解决方案逐渐明晰，网络舆情发展曲线趋向平稳，政府管理部门对于网络舆情的良性引导可以使其较快地进入热度逐渐平稳的成熟期，使参与网民主动降低讨论。对于事件B，由于官方回应模糊且不及时，舆情内多为事故结果传播、对官方回应的质疑、愤怒等非平稳情绪表达，网络舆情演化中参与网民单元间仍为互促共生关系，网络舆情演化虽进入成熟期，但由于管理缺位，事件原因通报不能符合网民心理预期，讨论热度增速放缓但网民关注度依然较高，发帖者单元和评论者单元依然延续爆发期时的互促共生关系，管理部门的信息传播未能明显降低网民群体极化程度，舆情热度趋向稳定的重要原因是网民注意力有限而非事件的圆满解决。

衰退期时，网络舆情A和B的参与网民单元间均为互抑共生关系。对于事件A，由于该事故发生后国务院迅速做出指示要求全力救援，同时派出调查组进行现场勘测，查明了事故原因和责任方，因此该事件得到妥善解决，讨论量降低，网民注意力主动转向其他新发舆情事件[35]。而对于事件B，由于网民注意力有限及与该事件相关的衍生舆情内容的吸引，网络舆情热度逐步降低直至平息。但由于整体官方回应不及时和不完善，因此舆情持续时间较长且衰退期开始时间较晚。互抑共生关系中，发帖者的事件跟进和观点表达不足以吸引评论者讨论，评论数量下降和观点趋同也反向抑制了发帖者的观点表达，导致网络舆情热度递减，网民关注度降低，舆情生态系统中发帖和评论累进量基本保持稳定，网络舆情逐渐消亡。管理部门对于事件结果和原因的及时发布对于衰退期的起始时间、衰退原因等有一定影响，并作用于共生关系的持续时间和作用强度。

5 总 结

本文将生态系统发展相关理论引入网络舆情演化研究，总结了以参与网民为核心的网络舆情演化特征，同时根据扩展的Logistic模型建立网络舆情共生演化模型，最后对该模型进行不同监管引导条件下的类比实证研究，并分析了网络舆情演化不同阶段中参与网民单元间共生关系的异同、成因及变化趋势，讨论了共生模式差异和网络舆情演化规律。研究表明：①参与网民作为网络舆情的产生者、影响者和传播者，其行为贯穿网络舆情演化的整个生命周期，本质是由发帖者单元和评论者单元相互作用的二维共生群落，二者在政策法规、信息技术和信息文化等共生环境限制中通过共生模式相互作用;②网络舆情经历“萌芽期、爆发期、成熟期、衰退期”最终消亡，具有类似自然生态种群的演化特征，发帖者单元和评论者单元共生关系的形态和变化是舆情各阶段发展的结果，同时受管理部门引导影响，并反作用于网络舆情演化;③共生系数代表了网络舆情生态系统的演化方向，舆情管理部门可以根据共生模式制定和调整引导策略，同时根据共生单元各自特征进行针对性信息披露或情绪疏散。

本文仅从网络舆情核心参与者角度对共生单元进行二分类，未考虑参与者内部的异质性，如官方媒体、意见领袖、谣言制造者等;同时模型构建较为简单，未考虑到更为复杂的网络舆情形态，如多次爆发型、快速消解型等。后续研究可以扩展现有模型并细化共生单元分类，对网络舆情演化过程中的多群落交互行为进行研究。

参考文献

[1]中国互联网络信息中心.第46次中国互联网络发展现状统计报告[R].2020-09-29.

[2]李洋，李思佳，叶琼元，等.面向突发事件网络舆情的社会情绪唤醒综合评价与疏导策略研究[J].情报资料工作，2020，41（6）：17-25.

[3]黄微，宋先智，高俊峰.网络舆情场中信息受众观点群落的连接鲁棒性测度及实证研究[J].情报学报，2017，36（5）：503-510.

[4]Elton C.Daniel N.Kashkarov？[J].Journal of Animal Ecology，1945，14（1）：52-53.

[5]Davenport T H，Prusak L.Information Ecology：Mastering the Information and Knowledge Environment[M].Oxford University Press on Demand，1997.

[6]Jordán F，Scheuring I.Network Ecology：Topological Constraints on Ecosystem Dynamics[J].Physics of Life Reviews，2004，1（3）：139-172.

[7]Sunstein C R.Republic.com[M].Princeton University Press，2001.

[8]文晴.微博自然灾害舆情传播要素及网络结构研究[D].长春：吉林大学，2018.

[9]邢云菲.信息生态视角下的社交网络舆情传播研究[D].长春：吉林大学，2019.

[10]许烨婧.多媒体网络舆情信息的并发获取机理与话题衍进追踪研究[D].长春：吉林大学，2020.

[11]Wang X，Xing Y，Wei Y，et al.Public Opinion Information Dissemination in Mobile Social Networks-taking Sina Weibo as an Example[J].Information Discovery and Delivery，2020.

[12]Tinggui C，Qianqian L，Jianjun Y，et al.Modeling of the Public Opinion Polarization Process with the Considerations of Individual Heterogeneity and Dynamic Conformity[J].Mathematics，2019，7（10）：160.

[13]唐亚阳，李璐.教育网络舆情危机干预效果影响因素及应对机制——基于100个教育网络舆情危机事件的实证分析[J].现代传播，2017，39（9）：145-152.

[14]赵丹，王晰巍，李师萌，等.新媒体环境下的网络舆情特征量及行为规律研究——基于信息生态理论[J].情报学报，2017，36（12）：1224-1232.

[15]黄炜，宋为，李岳峰.基于Logistic种群增长模型的微信消息转发影响因素研究[J].情报理论与实践，2018，41（7）：78-86.

[16]Yin F，Zhang B，Su G，et al.Research on the Public Opinion Pre-warning Based on the Logistic Model[C]//2017 8th IEEE International Conference on Software Engineering and Service Science（ICSESS）.IEEE，2017：381-385.

[17]婁策群，曾丽，庞靓.网络信息生态链演进过程研究[J].情报理论与实践，2015，38（6）：10-13.

[18]李明，曹海军.信息生态视域下突发事件网络舆情生发机理研究——基于40起突发事件的清晰集定性比较分析[J].情报科学，2020，38（3）：154-159，166.

[19]曹海军，李明.共生理论视域下移动社交网络舆情导控机理研究[J].哈尔滨工业大学学报：社会科学版，2019，21（2）：7-13.

[20]邵志国，韩传峰，孟令鹏，等.基于Logistic的区域交通基础设施生态系统演化模型[J].系统工程理论与实践，2018，38（11）：2918-2928.

[21]田世海，张家毓，孙美琪.基于改进SIR的网络舆情信息生态群落衍生研究[J].情报科学，2020，38（1）：3-9，16.

[22]Zhang H，Wang Z，Chen S，et al.Product Recommendation in Online Social Networking Communities：An Empirical Study of Antecedents and a Mediator[J].Information & Management，2018，56（2）：185-195.

[23]余维新，熊文明.知识生态系统稳定性及其关系治理机制研究——共生理论视角[J].技术经济与管理研究，2020，（6）：31-35.

[24]Liu X，He D，Liu C.Information Diffusion Nonlinear Dynamics Modeling and Evolution Analysis in Online Social Network Based on Emergency Events[J].IEEE Transactions on Computational Social Systems，2019，6（1）：8-19.

[25]兰月新，夏一雪，刘冰月，等.网络舆情传播阶段精细化建模与仿真研究[J].现代情报，2018，38（1）：76-86.

[26]Liu F，Li M.A Game Theory-based Network Rumor Spreading Model：Based on Game Experiments[J].International Journal of Machine Learning and Cybernetics，2019，10（6）：1449-1457.

[27]高歌，张艺炜，丁宇，等.基于系统动力学的网络舆情演进机理及影响力研究[J].情报理论与实践，2016，39（12）：39-45，24.

[28]张林波，李文华，刘孝富，等.承载力理论的起源，发展与展望[J].生态学报，2009，29（2）：878-888.

[29]王铎，王晰巍，贾若男，等.大数据驱动的社交网络舆情生态性评价及实证研究[J].情报资料工作，2020，41（2）：56-63.

[30]李明，侯甜甜.基于共生理论的高校网络舆情导控研究——模型构建及实证分析[J].当代教育论坛，2019，（4）：72-80.

[31]李紫薇，邢云菲.新媒體环境下突发事件网络舆情话题演进规律研究——以新浪微博“九寨沟地震”话题为例[J].情报科学，2017，35（12）：39-44.

[32]黄微，朱镇远，许烨婧，等.网络舆情衍进指数构建与实证分析[J].图书情报工作，2019，63（20）：26-33.

[33]黄微，赵昕，赵江元.舆情传播高涨期阶段的反转事件产生机理分析[J].情报理论与实践，2019，42（12）：60-66.

[34]高俊峰，黄微.网络舆情场中观点簇丛的情感极化度测算[J].图书情报工作，2019，63（10）：106-114.

[35]林燕霞，谢湘生，张德鹏.复杂交互行为影响下的网络舆情演化分析[J].中国管理科学，2020，28（1）：212-221.

（责任编辑：郭沫含）