重大疫情下基于系统动力学的网络舆情应急响应研究

谢 天，黄海南，曾 敏，吴 娟

(南华大学 经济管理与法学学院，湖南 衡阳 421001)

重大疫情爆发初期，工厂停工、学校停学，人们居家隔离，网络成为交流的重要载体。在利益驱使下，部分投机分子发布负面信息，散播网络谣言，引发物资抢购等扰乱社会经济秩序的现象，催生了大量负面舆情事件[1]。例如COVID-19爆发初期的“双黄连事件”，让网民对双黄连口服液的新冠肺炎治疗功效产生曲解，引发人们疯狂抢购双黄连口服液，导致其价格飞涨。又如“离汉返京事件”“接子回荆事件”“隔窗喊话事件”等，这些事件不仅破坏市场运行，而且加剧疫情的传播，造成多次社会恐慌。负面网络舆情如“信息瘟疫”[2]，不仅误导人们对流行病的认知，而且破坏防疫工作，产生各种各样的社会问题，严重影响社会和国家的有序运行。发现疫情期间网络舆情的传播和演化规律，及时采取有效的控制措施，有助于社会稳定有序。

一 研究现状和评述

突发公共卫生事件是指突然发生的重大传染病、群体性不明原因疾病、重大食物和职业中毒等危害或可能危害公众健康的事件[3]。大量学者主要从舆情传播特征[4-5]、舆情传播规律[6]、舆情监测[7-8]、舆情影响因素[9-10]、媒体报道语料[11]与舆情治理[12]等方面对突发公共卫生事件下的舆情进行研究。Naskar D等基于Russell模型和TESC技术对推特用户的舆论情绪传播特征进行研究[5]。靳松等利用信息熵的簇划分(IE)算法对H7N9突发事件的舆情数据进行簇划分，证明突发事件下信息传播网络具有显著的模块性和幂律分布规律[6]。Cao D L等提出跨媒体舆情监测系统理论框架，可对文本和图像进行舆情分析，从宏观和微观方面监测舆情动态[8]。Liu D H等基于博弈论，建立传染病扩散模型进行舆情仿真，以“10·24”事件为例，讨论监管措施对舆情演变的影响[10]。夏倩芳等通过分析SARS期间传统媒体与网络媒体的报道频率和内容，总结媒体失语，提出媒体存在的问题和有待改善的地方[11]。

上述研究以定性居多，定量研究较少，尤其是重大疫情下网络舆情的应急回应策略的定量研究十分罕见。如何基于系统科学的视角，构建疫情下的舆情传播模型并且分析舆情响应策略是亟待解决的问题之一。

系统动力学(System Dynamics，以下简称SD)是一门以系统结构、自动控制、信息传递为基础的，研究系统反馈、系统问题的交叉综合学科。运用SD理论研究舆情问题在最近几年逐渐兴起，大多学者运用SD研究舆情传播、民众情绪演化、政府应对能力等问题，通常从舆情的不同角度进行SD建模，相关研究主要包括以下几个方面。

第一，一般事件的舆情传播SD模型。这类研究从政府、网民、网媒、事件、传统媒体五个方面建立舆情传播SD模型，使用专家打分法、层次分析法、单变量拟合法、调查问卷等方法构建DYNAMO方程式，最后以典型事件为例进行实证分析。张一文等从政府、网民、网媒等角度建立舆情传播SD模型，以“成都公交车燃烧事件”为例对模型进行实证分析，从政府处理能力、事件易爆程度、政府公信力、新闻沉寂系数角度进行仿真分析，为有关部门引导舆情提供理论支持[13]。Gao G等从网民、政府、媒体三个角度建立SD模型，关注政府对舆情的影响[14]。Xie T等基于系统动力学理论与平行演化理论提出一个包括SD建模、仿真、优化和控制四个迭代步骤的公共情绪平行演化与回应决策架构，该架构可以对舆情事件中的公共情绪进行即时控制和引导[15]。

第二，特定类型事件的舆情传播SD模型[16-19]。余乐安等对危化品水污染突发事件引起的网络舆情进行仿真演化[16]。对五个经典事件进行实证分析，证明了模型的有效性。钟慧玲等对“邻避”冲突事件引发的舆情进行研究，以当地公众子系统反映邻避舆情的特点[17]。杨谨铖等对恐怖事件引起的舆情进行研究，建立“网民对现实不满程度”的舆情模型[18]。

上述基于SD的舆情研究虽然将舆情系统视为非线性多重信息反馈系统，考虑社会系统结构的抉择性、自律性与非线性特征，以舆情系统演变过程推测未来传播趋势，但也存在以下问题：

第一，难以准确构造SD模型的DYNAMO方程。DYNAMO方程是SD用来描述系统变量间计算逻辑的代数方程组，是构建SD模型的关键环节。能否准确地确定方程和初始参数将直接影响仿真结果的精确度和模型的有效性。现有基于SD的舆情研究主要采用道格拉斯函数、指数函数、线性加权法等特定函数来确定DYNAMO方程的结构，推动了舆情仿真的发展，但也存在一定局限性。如线性加权法在变量系数的计算方面较为模糊，大多采用专家打分法、层次分析法等方法确定系数；部分学者采用单变量数据拟合，仅考虑单变量，在刻画舆情系统的复杂性方面较为有限。

第二，难以客观衡量是无法直接测量的重要因素。基于SD的舆情传播模型中通常用“事件的敏感性”“事件模糊度”“事件易爆程度”等因素分析舆情事件对舆情传播的影响。此类因素无法直接观测，但却真实存在且不可或缺。

本文基于系统动力学理论，采用定性和定量相结合的研究方法，对重大疫情引发的网络舆情进行系统建模，并以政务新媒体为研究视角，分析政务型媒体在重大疫情引发的网络舆情中的作用，丰富和扩展了重大疫情下政务新媒体的网络舆情治理研究领域的理论成果，这是本文的贡献之一。此外，本文将线性回归理论和系统动力学相结合，克服或改善了SD模型中DYNAMO方程构建和主观因素测量等问题，这有助于进一步增加SD模型的有效性和科学性。

二 研究设计

(一)基于SD和线性回归的舆情系统建模与仿真框架

1.支撑理论及其对研究瓶颈的启发

基于系统论、控制论的SD理论认为复杂社会系统具有抉择性、自律性与非线性特征，系统变量通过一系列因果链形成相互影响的反馈控制回路[20]，且这种影响关系会出现时间滞后现象[21]。重大疫情下的舆情演化系统结构属于特殊的复杂社会系统[22]，在数据不足的重大疫情爆发初期，区别于规划求解、数值计算、趋势预测等数据依赖的传统系统分析与决策方法，结构依赖的SD方法可分析定性因果关系。构造定量DYNAMO方程和存量流量图，辅以仿真计算实验，可更为动态、准确地模拟疫情下舆情系统的传播行为和规律。

在满足经典线性模型假定(CLM)[23]时，多元回归通过数据拟合的方式来解释变量之间在统计学意义上的影响关系，并用于验证相关研究假设。多元回归方法的运用，有助于推动许多问题的解决：

(1)用多个变量进行拟合，可克服单变量拟合DYNAMO方程的局限性。由于多元回归可拟合不同形状的曲线，固定函数结构(道格拉斯函数、指数函数)的DYNAMO方程的适用性问题将被有效改善，配合最小二乘法可求出在残差平方和最小时解释变量的系数和截距，克服了变量系数由专家打分法、层次分析法确定所带来的模糊性问题。

(2)针对舆情系统中难以直接观测的重要因素，本文基于“逆向回归法”，通过舆情初期的数据利用多元回归模型反推出“共同作用量”，该变量用于衡量舆情期间不会变动的且不能被直接测量的重要因素。

2.概念框架

为克服基于SD理论构建的网络舆情系统模型的问题和可重复性的建模研究，本文借鉴管理科学研究中的计算实验范式和综合集成方法[24-25]将研究过程具象化，以系统动力学理论和线性回归理论为基础，提出基于SD和线性回归的舆情系统建模与仿真框架，具体逻辑过程见图1。

图1 基于SD和线性回归的舆情系统建模与仿真框架

首先，界定舆情系统边界，分析舆情发生的动因、演化特征、演化规律、结构，构造定性因果关系图。基于因果关系，提取模型的水准变量、速率变量、辅助变量等关键变量。根据仿真目标设置回应策略变量，构造具体的存量流量结构模型。

其次，考虑SD结构模型所需要的数据类型，构建样本库，储存舆情传播影响因素和特征的历史数据。舆情数据来源于网络，通过分布式爬虫技术，对HTML源码进行分析，提取目标数据。

然后，利用样本库的数据，对SD进行数学建模，为DYNAMO方程估计参数，以逆向回归法估计综合变量值。此阶段需保证方程的拟合效果较好,若拟合优度过低，应返回修改SD模型。

最后，对疫情引发的新的舆情事件进行仿真计算，输入当前事件的初始参数，模拟舆情系统演化趋势，分析回应策略的影响关系，提出引导对策。仿真分析结束后，该事件的真实数据可用来更新样本库。

(二)重大疫情下的舆情系统SD模型构建

1.研究系统边界与前提假设

系统边界:网民、网媒(包括政务新媒体)、政府、网络舆情事件和疫情是最常见的舆情主体。网民相较于线下群体而言，网民之间的沟通具有实时性、匿名性、速度快等特点，因此SD系统不考虑线下群体。网媒相较于传统媒体，网络媒体在数量、反应速度上有相当大的优势，因此SD系统不考虑传统媒体。政府的工作是为人民服务，因此政府的工作需要被考虑进SD模型。不同的网络舆情事件在危害程度、易爆程度各有不同，对舆情的影响也不同。疫情作为重大疫情事件下独有的因素，用于刻画疫情期间独有的舆情背景。据此，网民、媒体、政府、事件、疫情这五个主体之间的相互作用构成了网络舆情系统边界。

前提假设1:舆情爆发的源头来自互联网[13]。即本文所考虑的舆情事件信息最初来自互联网。

前提假设2:同时期舆情事件之间相互独立。即其他舆情事件对本事件无影响，本舆情事件的发展只取决于情景和应对情况的变化。

前提假设3:政务新媒体(以下简称官媒)完全由政府控制。官媒作为政府的形象代言人，传递政府信息。

前提假设4:政府积极回应舆情。

2.舆情系统的因果回路分析和存量流量

根据疫情下舆情的特点，本文将舆情系统划分为“情景”“回应”“情景—回应反馈”和“辅助”子系统。其中情景和回应子系统对舆情发展产生直接影响，辅助子系统通过情景子系统和回应子系统间接对舆情产生影响。

情景子系统：本模型中，“情景”指舆情事件所触发的舆情系统状态的总和。情景子系统涉及“网民、官媒(政务新媒体)、其他媒体(商业媒体)”三类主体，他们共同推动舆情的传播，见图2。网络总讨论量是模型中刻画舆情情景传播的重要变量，由网络中的所有相关发帖总量表示。网民讨论反馈回路中，网民讨论数量与网络总讨论量成正比；舆情传播中存在从众效应和热点效应[26-27]，前一时期舆情讨论越多，越吸引网民关注，因此网络总讨论滞后(前一期网络总讨论量)将影响下一期的网民讨论数量[28]，构成具有放大效应的正反馈回路。其他媒体反馈回路中，其他媒体报道频率对其他媒体讨论量有正向影响。媒体的从众效应使得其他媒体报道频率受到前一天网络总讨论量的滞后影响[28]。官媒反馈回路与其他媒体反馈回路类似。

图2 情景子系统

回应子系统：负面网络舆情出现之后，政务新媒体可选择回应或者不回应。选择不回应时，舆情虽然会随着时间逐渐消退，但其产生的危害不会完全消失，甚至可能变成“隐舆情”，与后续类似事件同时爆发，造成更大危害。回应包括回应的速度、回应的媒体、回应的内容和回应的频率等。由政府回应舆情所引发的网络讨论可刻画回应的效果。若政府积极回应，引发网络正面情绪，则需要积极增加此类讨论，反之亦然。回应子系统的结构和机理与情景子系统类似，见图3。

图3 回应子系统

“情景—回应”反馈回路：情景与回应子系统之间通过反馈回路相互作用，见图4。政府评估情景子系统中的负面舆情扩散状况，做出回应措施[29]。回应讨论累计指当前时间之前所有的回应讨论累加量，用以表示回应子系统舆情传播态势。政府积极回应的内容被讨论越多越有可能被网民知晓，避免网民在看到舆情事件后产生过多负面情绪[29]，有助于减少负面舆情的传播。故回应讨论累计负向影响情景子系统中的网民、其他媒体、官媒的舆情。

图4 情景—回应反馈回路

辅助子系统：辅助子系统由一系列反映舆情事件的外部环境和内部环境的变量构成，见图5。疫情作用量代表疫情等外部环境，疫情越严重，网民越关注有关疫情的信息[30]。政府重视程度代表官媒响应的速度、回应数量和媒体影响力等内部环境因素对舆情的作用。共同作用量表示难以被衡量和观测的恒定内外部环境因素，如舆情事件本身的危害程度、易爆程度、复杂网络的性质等。

根据上述因果关系图构建舆情系统SD存量流量模型，见图6。首先，确定舆情事件的初始参数(不同事件的初始参数也不同)，初始参数包括：疫情状况、官媒响应情况等。其次，系统动力模型先驱动右侧情景子系统，对网民讨论数量、其他媒体报道频率、官媒报道频率等进行数值仿真，通过情景子系统中的反馈回路产生每一时期的仿真结果。最后，在官媒对舆情事件进行回应后，回应子系统被激活，从而形成情景—回应反馈回路，周而复始，直到舆情结束。

图5 辅助子系统

图6 情景—回应舆情系统流图

(三)样本数据的获取

本文采用新浪微博舆情数据作为样本数据源，对2020年1月25日至4月20日新浪热搜上有关疫情的舆情事件进行数据采集，利用微博话题追踪舆情事件的来龙去脉。本文采集官媒、商业媒体和网民发布的原创帖子和转发帖子，数据内容包括帖子的ID、粉丝数量、内容、转发数量、点赞数量、评论数量、发帖时间和转发时间。共采集2020年1月25日至4月20日的15起网络舆情事件，采集发帖数量共2 178 077条，详细数据见表1。由表1中总发帖量可看出回应前舆情的传播态势明显大于回应后舆情传播态势，且情景舆情往往能以较少的原创发帖引起较大的转发量，这说明情景舆情更容易引起广泛讨论。

(四)共同作用量与逆向回归法

为获得共同作用量，本文基于“逆向回归法”[31]，区别于从给定的解释变量和被解释变量样本数据出发求出截距和系数的传统多元回归拟合方法，该方法在未知共同作用量样本数据但已知其他解释变量和被解释变量数据的情况下，利用多元回归求出共同作用量。具体步骤为：

表1 样本数据描述

1.构建多元回归方程。

y=β0+β1sharefactor+βothervar

(1)

其中，sharefactor为共同作用量，othervar为会随着舆情发展而变化的因素。逆向回归法假设，影响y变动的主要因素为sharefactor和othervar，因此回归的结果会产生较好的拟合优度(公式(2))。为减少干扰，本文选择舆情首日数据为模型数据，变化因素othervar为疫情作用量、官方重视程度和粉丝数量。

(2)

2.获取sharefactor样本值列表。设sharefactor取值范围在[0,10]之间。具体计算过程由伪代码(Algorithm 1)给出。该算法求出的sharefactor列表满足了上文的假设。每个舆情主体通过多次运行Algorithm1，会得出若干sharefactor列表，这些结果形态各异，被称为假想sharefactor列表。需要不同舆情主体之间相互验证，才能够找到真正的sharefactor。

Algorithm 1. Sharefactor Listinput: Randomly generate a list of sample values of sharefactorGOF=0while GOF <0.95:index=Randomly select a position index of the sharefactor listfor i in 0 to 10: The value of the indexth position of the sharefac-tor list is changed to i Running a linear regression model (y=β0+β1 sharefactor+βothervar). Calculate the GOF (equation (2)). Select the i with the highest GOF, and the value of the indexth position of the sharefactor list is changed to ioutput: sharefactor list

3.获取不同主体之间相似度最高的sharefactor列表。为在sharefactor列表中找出符合真实情况的结果，对舆情主体间假想的sharefactor列表进行相互验证，找到不同主体间最相近的sharefactor列表。不同列表之间的比较可以采用误差计算(公式(3))。

(3)

本文选取不同趋势的四个舆情主体，原始数据见图7。每个主体各求出1 500个假想sharefactor列表(共6 000个)，每个主体每次选取一个列表，对6 000个假想sharefactor列表进行排列组合，计算并找出平均误差平方和最小的组合。误差平方和最小的组合见图8，其平均误差为1.85，说明不同舆情主体的sharefactor列表趋势高度相似。以平均化的sharefactor列表带入回归得出回归方程，该回归方程可求出新案例的sharefactor值，具体结果见表2。

表2 逆向回归结果

图7 舆情主体原始数据

图8 最相似共同作用量列表

(五)构造DYNAMO方程

本文在确定系统存量流量图后，通过多元回归、真实数据拟合等方法利用Vensim软件构造DYNAMO方程，主要方程包括：

1.网民讨论数量=IF THEN ELSE(Time>响应速度,-9.282 5+0.000 624 137×回应讨论累计+0.002 224 82×网络总讨论滞后+51.619 1×政府重视程度-7.344 89×(Time-响应速度)+3.547×疫情作用量+1.384 56×共同作用量,-27 400.3-0.071 328 2×网络总讨论滞后+1 180.41×政府重视程度+3 655.02×疫情作用量+2 587×共同作用量)

本文把舆情分为两个阶段即政府回应前为“情景”阶段，政府回应后为“回应”阶段，因此在构建方程的时候也分为“情景—回应”两个部分。本文使用IF THEN ELSE逻辑语句，当满足当前时间Time大于响应时间时就进入回应阶段运行前半段方程式，当Time小于等于响应速度时就进入情景阶段运行后半段公式。其中变量的系数由多元回归拟合得出。本文的SD模型很多变量皆使用这样的方式构建方程式，见表3。

2.网络总讨论滞后=DELAY1I(网络总讨论量,1,0)

3.回应总讨论滞后=DELAY1I(回应总讨论,1,0)

由于追逐热点的从众心理，媒体或网民参与舆情讨论的行为会受到当前舆情讨论热度和内容量的影响，而当前的舆情事件的讨论热度是由上一期的网络讨论累积而成。因此，当前网民参与舆情讨论的行为受到上一期舆情总讨论的滞后影响。本文使用Vensim软件中的DELAY1I函数，设置初始值为0，滞后值为1，目的是令舆情讨论滞后一期。

4.其他媒体讨论量=其他媒体报道频率×其他媒体被转发量

5.官媒讨论量=官媒报道频率×官媒被转发量

6.回应其他媒体讨论量=回应其他媒体被转发量×回应其他媒体报道频率

7.回应官媒讨论量=回应官媒报道频率×回应官媒被转发量

媒体讨论量是讨论数量的总和，包括发帖量和被转发的量，因此媒体报道频率×媒体被转发量可以算出该量。

8.政府重视程度=(响应数量×响应质量-0)/(253 132-0)×10

该变量对响应数量×响应质量做归一化处理，政府回应会产生两种效应，第一种安抚网民情绪，第二种会引起网民对该事件的好奇，而政府重视程度属于后者。

9.响应数量、响应质量、响应速度、国内新增、国内现有确诊、国外新增、国外现有确诊

以上皆为初始参数，响应数量是指政府回应舆情事件时的政府官方微博发帖数量，该变量是由真实案例数据拟合。响应质量是指政府微博的影响力程度，由不同时段官微的平均粉丝数量表示，不同影响力的政府官方微博的宣传效果不同，粉丝越多的官媒宣传效果越好。响应速度是政府回应事件的速度，单位为天数。国内新增衡量国内疫情感染人数的增加情况，该变量进行归一化处理，取值范围在[0，10]之间，取值越大表示感染新增人数增加越快。国内现有确诊、国外新增、国外现有确诊与上述变量类似。

表3 情景—回应方程

三 案例分析

(一)事件简介和初始参数

2020年2月14日17时42分，一名男子在新浪微博发帖称疫情封路期间其父通过非法渠道把他从天门接回荆州。据此，不少网友对当地相关机构防疫措施执行情况以及该男子父亲滥用权力问题提出疑问，因此导致了舆情的爆发。有关部门于2月15日对该事件进行及时回应，并且开展调查。最后该事件以该男子在网上发布道歉信和其父做停职处理结束。该事件不仅妨碍了疫情防疫工作的有效执行，其引发的网络舆情也在一定程度上影响了相关机构的公信力。

模型涉及许多初始参数，其中响应质量、响应数量、响应速度由微博上真实数据给出；国外新增、国外现有确诊、国内新增、国内现有确诊由当时国内外疫情数据给出；共同作用量由逆向回归法得出。具体初始参数详见表4。把初始参数填入SD模型进行仿真模拟，仿真结果见图9。本文从“情景”“回应”中分别选取两个变量输出其模拟仿真结果。

表4 初始参数

图9 模拟仿真结果

由图9可知四个变量的真实值和拟合值之间的趋势大致相同，拟合值的最大值和最小值出现的时间与真实数据相同。为进一步确定拟合值和真实值之间的关系，本文采用拟合优度公式(2)来测量拟合值与真实值之间的误差。网络总讨论量、网民讨论数量、回应网民讨论数量、回应其他媒体报道频率依次计算结果为0.991、0.992、0.88、0.92，这表明模拟仿真结果与实际情况相符，证明了SD模型的有效性。

(二)情景分析

在公共舆情爆发后，官媒是最主要的利益相关主体，从官媒的角度探索有效的舆情引导策略，考虑政府公共部门行政效率和公共性目标[32]，本文以“接子回荆”实际案例为模拟仿真的基础情景，从官媒响应速度、响应质量、响应数量这三个变量角度研究其对舆情演化路径、峰值和累计值的影响。

1.响应质量影响分析

在其他变量不变的条件下，分别对响应质量的初始值进行上下变动20%，2次变动后的结果见图10。响应质量下降20%时，网络总讨论量及其累计变动后的结果与初始值一致，而回应总讨论及其累计却有较大幅度的下降。这说明在对舆情事件进行回应的情况下，有影响力的官媒对该事件关注度的减少并不会对负面舆情传播产生影响，但是却对正面舆情传播产生较大的影响。另一方面，响应质量上升20%时，网络总讨论下降，回应总讨论上升。这表明使用更有影响力的官媒进行回应更容易产生负面舆情讨论下降和正面舆情讨论上升效果。

图10 响应质量变动分析

2.响应数量影响分析

在其他变量不变的条件下，分别使响应数量上下变动20%，结果见图11。

“情景”中网络总讨论在响应数量下降20%时几乎不变，在上升20%时网络总讨论却会下降。这种情况与响应质量的变动结果相类似，表明官媒对舆情事件关注度提高有利于抑制负面舆情的扩散。另外，无论响应数量上升20%还是下降20%，回应网络总讨论皆下降。其中，响应数量下降20%导致正面舆情中的网络讨论下降的幅度比响应数量上升20%要大得多。这表明响应数量与回应总讨论存在“倒U”的关系，在合适的响应数量下，回应总讨论的数量会到达最高点，过高或过低的响应数量均会导致回应总讨论量的下降。本文令响应数量上升10%，发现回应总讨论及其累计会有小幅度上升，这验证了两者之间的“倒U”关系。

图11 响应数量变动分析

3.响应速度影响分析

响应速度初始参数为2，表示政府在第2天开始回应舆情事件。响应速度-1，即政府在舆情发生的当天进行回应，仿真结果见图12。与第二天回应相比，政府当天进行回应使得舆情提前一天结束，舆情提前一天达到峰值。从图12可知，在其他变量不变的情况下，响应速度变快使得负面舆情网络总讨论和网民讨论数量在当天剧增。这是由于舆情爆发的当天，新鲜的事件容易吸引网民的注意力，再加上政府的参与，导致舆情热度攀升。本文在响应速度-1的情况下，减少响应数量和响应质量，仿真结果表明网络总讨论和网民讨论数量明显下降。以上结论表明，政府回应越早越有利于舆情生命周期的减少，但是相应的会使舆情热度峰值上升。因此，要在回应速度加快的基础上，防止过度报道和媒体资源浪费，以免产生舆情引导效果下降等问题。

图12 响应速度变动分析

四 讨论与建议

根据SD模型的分析结果可知，在疫情衍生的负面舆情事件中，政府积极的响应行为有利于挽回政府在民众中的形象，甚至是重新构建信任感。具体来说政府利用电子官媒对负面舆情事件进行响应，响应质量、响应数量和响应速度会影响正面舆情和负面舆情的传播。以往的研究结果表明，政府的主动行为可以改善应急环境下的公众负面情绪和谣言传播，产生正向的社会效用[33]。本文通过社交媒体来提高公共关系被证明是有效的[34]，模拟结果再次验证了以上研究结论。

官媒响应质量的模型结果表明：响应质量与正面舆情的传播数量成正比，响应质量越高，负面舆情的传播数量越少。响应质量代表着官媒的影响力，官媒的影响力越大正面舆情的传播数量就越多。之所以出现这种现象，可能是粉丝基数大、影响力大的官媒作为网络领袖之一，能够通过高交流活动、高可信度行为和高网络中心化方式，在信息中使用情感性和自信的语言来影响公众[35]，并且能够扩大公众的正面舆情[36]。对于官媒来说，应使用正面、自信、积极和有担当的回应内容使得网民产生更多的正面情绪[37]。同时，在重大疫情下，人们对疫情的恐惧会加剧负面网络舆情的传播，官媒应尽可能地向公众科普疫情和舆情事件的相关知识，促使网民提升个人知识来阻止负面舆情的冲击。对于政府来说，使用具有影响力的官媒进行回应有利于舆情的控制与疏导，应加大投入培育更加有影响力和权威性的官媒，使它们成为网络意见领袖。

官媒响应数量的模拟结果表明：响应数量与正面舆情的传播数量呈“倒U”关系；响应数量越多，负面舆情的传播数量越少。官媒的响应数量代表着官媒在舆情事件中的发言量，并不是发言越多，正面舆情的传播数量就越多，当发言数量超过一定范围时，正面舆情的扩散反而受到抑制，从而呈现“倒U”的形态。这是由于社交网络的连接服从幂律分布，即少量的网络节点拥有高连接度[38]，因此当政府官媒增加对该舆情事件的发帖量时，网民的讨论在不同的帖子下被分散，难以形成高连接度的网络节点，讨论的幂律效应就会下降。据此，官媒在传播积极回应内容时需要把握发言的数量，避免滥发和大量重复发言，防止正面舆情讨论过于分散无法形成正面情绪传播中心。

官媒响应速度的模拟结果表明：响应速度的变快会导致舆情的传播数量提前到达峰值。网络舆情传播数量的峰值提前，意味着网络舆情事件能够更早地消散，负面舆情事件所带来的危害也能更早的消除。快速的响应导致舆情峰值提前的可能原因是，重大疫情引发的舆情事件往往是防疫过程中的工作失误，官媒的回应通常会公布事件的调查结果和处置结果，这满足了网民对于事件发生过程的好奇心，也同时满足了网民对于事件的处置要求，因此网民会更早地降低对该舆情事件的关注度。据此，在重大疫情引发的舆情事件下，政府应引起重视，尽快对事件进行调查和处置。与此同时，官媒也需跟进事件调查和报道，对网友关注的问题应当及时给予回应，避免因疏忽或回避而陷入“塔西佗陷阱”[39]。

重大疫情下，出现了部分社会问题、防疫问题、政府工作问题。官媒在反腐败、揭露社会问题方面发挥着越来越重要的作用[40],在接受公众监督的同时如何重新建立声誉，这是政府所需要面对的挑战。民众对政府或者机构的信任，在接受大型有益公共计划(如接种疫苗)时起到非常重要的作用。社交媒体是政府、机构、地方社区形象展示的平台[41]。如果官方沟通被边缘化或忽视，这将会产生严重的后果。

首先，需要从以前的广播者角色转向信息参与和接受者[42]。官媒所承担的职能不仅仅是向公众通知和公布消息，而是要全面、及时地采集网民的要求和关注的重点，及时满足网民的需求。当前互联网传播速度快、传播面广，导致网络舆情经常产生千万级别的评论、转发和发帖，传统的依靠主观判断的分析方法很难适用于巨量的数据。依靠机器学习、人工智能识别网民的发帖内容，分析网民的情绪和诉求已经成为有效的方法。因此官媒需要建立和完善智能舆情分析系统，通过集成人工智能和大数据分析等方法，对舆情信息进行采集、分析和得出精准的响应方案，及时和有效地引导网络舆情。

其次，政府在告知负面事件处理过程时，不仅需要面向民众进行公布，而且需要在广度和深度上发力。特别是在重大疫情情况下，面对一些可能严重损害公信力的负面事件，不仅需要尽可能地扩大公告的用户范围，而且需要根据不同类型的官媒(例如法律类、生活类等)给出更加有深度的解读。当前，由于生活节奏加快，制作精良、通俗易懂、丰富有趣的短视频成为人们喜闻乐见的接受新知识的方式。官媒应积极拥抱这种新型传播模式，将网络舆情相关的科学知识以精美、有趣且丰富的短视频方式向网民传播，这能起到事半功倍的效果。

最后，政府或机构需要长期培育具有重大影响力和权威性的媒体，这些媒体在引导公众情绪、辟谣、重建声誉方面的作用是巨大的。官媒应组织多种形式的活动，提高媒体的影响力。以创新的活动形式，结合重大节日、重大事件等时间节点，自己制作或与热门IP合作推出一系列互动话题、游戏和其他活动，在扩大正面宣传的同时，起到增强粉丝黏性的作用。此外，官媒在组织活动时，选题要贴近网民心理，选择网民最关心的问题、最需要解决的民生问题、社会焦点问题，这样才能激发网民兴趣，吸引他们持续关注，进而提升媒体的影响力。

五 总结与展望

本文通过系统动力学理论和多元回归理论构建了疫情下的舆情扩散仿真模型，提出了一种可以用于改进模型的逻辑框架。对网络舆情扩散机制和影响因素进行分析，构建了具体的SD模型，模拟了舆情系统行为。还对真实经典案例进行模拟仿真研究，证明了模型的有效性和合理性，并且在此基础上，分析了响应质量、响应数量和响应速度对舆情扩散的影响，得出了一系列结论。

本文为疫情下的舆情研究提供了一个崭新的思路，也为政府部门采取措施引导舆情提供理论支持。然而，由于舆情真实案例样本数据的难获取性，在舆情样本全面性方面仍存在些许不足。考虑到当今信息传播的速度，以天作为步长进行模拟仿真也存在些许局限性，这些将是我们今后努力探索的方向。