突发事件舆论场域通透粘性与情感粒度对信息池化的内生影响研究*

阳长征

( 中国海洋大学 文学与新闻传播学院 青岛 266100)

0 引 言

近年来，随着网络媒体的普遍使用，危机事件爆发变得越来越频繁，并导致危机信息形成难以遏制的扩散之势。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，并形成水纹特征的扩散特征和效果。在网络空间中，信息的传播过程也具有该扩散效应。在信息学中，信息池化(pooling)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如同“池塘”的特征。针对网络突发事件，在水纹传播效应作用下，信息扩散过程易于产生信息池化现象，从而导致舆论出现群体极化或舆论偏差，并影响社会稳定及健康发展。

关于突发事件舆论的相关研究，国内外现有文献主要集中于从三方面展开。其一，部分学者从突发事件舆论影响因素展开，指出突发事件舆论会受到信息特征的时间距离、信息框架、信息结构、空间距离及社会距离等因素的影响，其原因在于这类信息特征差异会影响人们的认知，从而导致公众对事件存在不同的关注度、关注时间以及参与度，进而影响舆论的形成和发展[1]。其二，部分学者从突发事件舆论的演化过程及机制展开，指出突发事件舆论的演化特征随着时间的推移而变化，并呈现某种规律特征。其中，事件性质、平台类型均对其演化过程产生影响，且可引起舆论演化过程出现不同波动特征[2]。针对舆论演化机制，在舆论演化过程中，存在培养机制、耦合机制及牵引机制等多种机制的融合。其中，媒体协同、主体驱动及意见领袖均可对公众参与倾向及意愿产生影响，对舆论扩散的广度和强度具有推动作用[3]。其三，部分学者则从突发事件舆论偏差及引导路径展开，发现网络空间中突发事件舆论随着时间的推移，公众舆论会出现与事件客观真相相偏离现象，即产生舆论偏差。而该偏差的产生，需要媒体及政府基于传者、渠道、信息及受众各维度进行及时纠正和引导，从而减少舆论偏差给社会带来的负面影响[4]。

关于突发事件信息池化主题的研究，国内学者主要从与信息池化相关度较大或较近的信息波纹扩散方面进行研究，而关于信息波纹扩散的研究则主要从信息圈层扩散视角展开，其研究内容主要集中于对信息圈层扩散的内涵及特征的阐述、对圈层扩散影响因素的分析、对圈层扩散形成机理的识别和挖掘等三个方面。而国外对信息池化的研究虽有涉及，但仍然很少，而现有的文献主要围绕池化的特征及池化对人们行为的影响方面展开研究，如Zai等[5]提出了校园网信息池化现象，并指出校园通信子圈是大学生信息池化行为逐渐流行的条件。Qian 等[6]指出社交网络中越来越多的用户分享行为形成了信息池化特征，且其中兴趣相似性和人际影响力可增强空间中潜在信息池化的形成。同时，这种池化间的关联性会随着社交网络中节点属性相似性的增加而增加[7]。此外，少许文献则从社会文化角度对信息池化的形成展开研究，如Michaels等人指出信息池化是一种小组交流形式，以此可建立关系网络和社区意识，且所有个人及观点都可参与其中，从而得以产生共同信息池化行为[8]。

总体而言，在突发事件舆论信息行为方面，国内虽有相关文献对突发事件舆论影响因素、舆论演化过程与机制、舆论偏差及引导等方面进行研究，但关于舆论场域信息池化内容的研究依然缺乏。而国外关于信息池化的研究虽有涉及，但仍然很少，在现有少量研究中则主要集中于信息池化的内涵、特征、影响因素及浅层的影响机理方面的探讨和分析，尚属于对信息池化研究的初期阶段。然而，在网络拓扑结构中，通透粘性是指系统中各节点出度或入度的边之间相互依存、相互作用、相互影响的程度，是两个构件相互依赖于对方程度的一个量度。在网络空间中，当节点间通透粘性较强时，某个节点的用户或信息发生变化，则能通过其中的边度关系影响到其它节点，从而可将特定节点的信息变化传导至另一节点，并出现相似的变化，该过程则为信息池化的过程。同时，情感作为网络舆论演化的重要动力，情感粒度则是用户在主观体验中辨别情感及情绪的能力，而用户倾向于使用离散的情感标签而非全局的情感状态来体察自身的情感。当突发事件发生后，情感粒度的差异在公众中则可影响网络动员，并促进网民的情感共振与话语协同，从而产生信息池化现象。由此可见，舆论场域通透粘性与情感粒度是信息池化的重要影响因素，而过去文献在通透粘性、情感粒度与信息池化之间关系研究的方面缺乏，这给本研究问题的选择及理论框架建构留下了空间。在此背景下，本文将探索如下问题：突发事件中，网络空间通透粘性、情感粒度与信息池化间的脉冲响应效应及边际影响力如何？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

首先，将通透粘性、情感粒度及信息池化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：

(1)

其中，pool为信息池化，gran为情感粒度，stic为通透粘性，k为内生变量滞后阶数，εi为随机误差项。

在此基础上，对VAR模型中的通透粘性、情感粒度及信息池化之间脉冲响应进行分析，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)=

(2)

同时，为了分析 模型中通透粘性、情感粒度及信息池化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：

(3)

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：

(4)

状态方程：

(5)

其中，测量方程中的解释变量为滞后第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，构建如下面板数据模型：

(6)

2 变量与数据

2.1变量说明a.信息池化。信息池化的测量则采用动态池化指数，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：

(7)

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等6个维度作为参考标准[13]，梳理和分析我国于2015-2020年所发生的突发事件，最终确定选择11个具有代表性的突发事件作为本研究样本，该样本涵盖了卫生、检法、汽车、交通、药品、幼儿、餐饮、医疗、酒店、教育等大多数领域。其样本分布特征如表1所示。

表1 突发事件样本分布特征

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，综合考虑各突发事件样本信息传播过程的有效时长，确定对各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，对每一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54 793条，根据所爬取字节和内容进行识别、分析、提取、赋值，并计算形成包含信息池化系数(pool)、情感粒度系数(gran)与通透粘性系数(stic)三个变量的面板大数据。

3 整体效应分析

3.1VAR模型估计首先，采用ADF方法对信息池化、通透粘性及情感粒度三个序列进行平稳性检验，以确定是否需构建向量误差修正模型，其检验结果如表2所示。

表2 各序列ADF平稳性检验

表2检验结果显示，信息池化、通透粘性及情感粒度三个序列的检验统计量值均小于1%临界值，即检验p值大于0.01显著水平，拒绝原假设，表明三个变量的原序列不存在单根，即序列平稳，故不需构建向量误差修正模型，直接构建VAR模型。

为了进一步了解信息池化、通透粘性及情感粒度之间影响的滞后时间长度，需对VAR模型中内生变量滞后长度进行识别和判断。其判断结果见表3。

表3 时滞长度选择标准

根据LR检验，以及FPE 、AIC、SC、HQ信息准则最小化的标准，由表3可见，VAR模型的最佳时间滞后长度为2期。为了确定VAR模型构建和设定的正确性，需对构建的模型进行稳定性检验。其单根稳定性检验结果显示，代表AR特征根倒数的模的点均落在单位圆内，表明所构建的模型均满足稳定性条件，说明所设置的模型均正确，无需重新构建。

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4所示。

由表4可见，VAR模型的三个方程中各项系数显著性检验的|t|值均大于1.96，表明模型中各系数t检验在0.05水平下显著。同时，各方程可决系数R-squared值均大于0.70，样本容量为21，且模型F检验对应的p值均小于0.05，即各方程在0.05显著水平下均达到显著水平，表明所构建的VAR模型与样本数据拟合度良好，该估计结果可用于信息池化、通透粘性及情感粒度之间动态影响的相关分析。

表4 VAR模型参数估计结果

3.2脉冲响应为了揭示通透粘性、情感粒度及信息池化之间的动态扰动特征，在VAR模型估计基础上分别对情感粒度、通透粘性及信息池化进行脉冲响应分析。对应分析结果如图1所示。

由图1可见，在第一行脉冲图中，当信息池化、通透粘性及情感粒度受到一个正向冲击时，通透粘性的自相关效应对自身迅速产生冲击影响，且影响效应为较大的正向波动，情感粒度及信息池化的冲击影响并非迅速传导至通透粘性。其中，情感粒度的影响最大，信息池化与通透粘性自相关效应的冲击均较大。在第二行脉冲图中，通透粘性冲击及情感粒度自相关效应对情感粒度均迅速产生正向影响，且影响效应均较大，而信息池化的冲击并未迅速对情感粒度产生影响。其中，情感粒度自相关效应的影响最大，信息池化与通透粘性的冲击均较大。在第三行脉冲图中，信息池化自相关效应、通透粘性及情感粒度的每次冲击可迅速传导至信息池化，滞后三期内具有较大影响，并呈逐渐减弱趋势。其中，信息池化自相关效应最大，通透粘性及情感粒度的冲击效应也均较大。

关于通透粘性、情感粒度及信息池化之间存在滞后脉冲影响效应，在突发事件网络信息传播中，当网络通透粘性较大及情感粒度较大时，在该粘性及情感作用下，用户间可产生较强的群体成员关系，并易于形成认知接近的内群体，从而可借助群体力量推动事件解决，以及通过群体进行情感分享以降低情感压力。在影响效应上，相对外群体而言，内群体对用户的影响更加明显，无论是在社会规范、行为方式还是生活习惯上，个人倾向于与所属群体保持一致。因此，通透粘性及情感粒度易于使用户形成内群体，并出现从众效应，进而产生信息池化行为。

3.3贡献率分解为了比较通透粘性、情感粒度及信息池化相互扰动效应的大小，从而识别出不同影响因素对通透粘性、情感粒度及信息池化影响的重要程度，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。

图2 方差分解分析

由图2可见，在信息池化方差分解中，在前六期信息池化自相关的影响较大且逐渐下降，情感粒度的影响相对较小且快速上升，其影响于滞后六期后趋向平稳，通透粘性在整个过程中对波动的贡献率较小。对于整个过程，情感粒度对信息池化波动的贡献率约为43%，信息池化自相关效应约为41%，通透粘性影响效应约为17%。情感粒度自相关效应对情感粒度波动的贡献率约为64%，信息池化影响效应约为27%，通透粘性影响效应约为9%。情感粒度对通透粘性波动的贡献率约为60%，通透粘性自相关效应约为18%，信息池化的影响效应约为22%。

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，为了进一步了解通透粘性、情感粒度及信息池化之间的边际影响力，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，从而揭示通透粘性、情感粒度及信息池化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，通透粘性与情感粒度对信息池化的边际影响力变化呈倒U形抛物线特征。其中，通透粘性对信息池化系数的边际影响力先快速上升，其后缓慢下降。情感粒度对信息池化系数的边际影响力先波动上升，其后快速下降。

图4结果显示，通透粘性与信息池化对情感粒度的边际影响力变化呈U形特征。其中，通透粘性对情感粒度系数的边际影响力先快速下降，其后快速上升。信息池化对情感粒度系数的边际影响力也先逐渐下降，其后缓慢上升。

图4 情感粒度边际影响分析

图5结果显示，信息池化与情感粒度对通透粘性的边际影响力变化呈倒U形抛物线特征。其中，情感粒度对通透粘性系数的边际影响力先下降，其后波动上升，其后缓慢下降。信息池化对通透粘性系数的边际影响力先快速上升，其后缓慢下降。

图5 通透粘性边际影响分析

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通透粘性、情感粒度及信息池化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，采用面板数据模型对数据进行拟合和分析。

使用Eviews10.0计量软件对模型进行拟合，其拟合结果如表5所示。

表5 群组面板模型拟合结果

表5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，对于信息池化方程，情感粒度变量的系数β1值呈现出大于通透粘性变量对应的系数γ1值，表明情感粒度对信息池化的影响效应大于通透粘性的影响效应。对于通透粘性方程，情感粒度变量的系数β2值呈现出大于信息池化变量对应的系数γ2值，表明情感粒度对通透粘性的影响效应大于信息池化的影响效应。对于情感粒度方程，通透粘性变量的系数β3值呈现出大于信息池化变量对应的系数γ3值，表明通透粘性对情感粒度的影响效应大于信息池化的影响效应。

从表中的横向结果数据看，对于信息池化方程，根据各变量系数大小，通过比较情感粒度变量的系数β1值及通透粘性变量系数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，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面板模型进行估计。

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。

两种方法估计结果及差异性检验结果显示，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参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

通过具有代表性的11个突发事件面板大数据，探索了通透粘性、情感粒度及信息池化之间动态影响，得出如下研究结论：

第一，当信息池化、通透粘性及情感粒度受到一个正向冲击时，通透粘性的自相关效应对自身迅速产生冲击影响，且影响效应为较大的正向波动，情感粒度及信息池化的冲击影响并非迅速传导至通透粘性。其中，情感粒度的影响最大，信息池化与通透粘性自相关效应的冲击均较大。通透粘性冲击及情感粒度自相关效应对情感粒度均迅速产生正向影响，且影响效应均较大，而信息池化的冲击并未迅速对情感粒度产生影响。其中，情感粒度自相关效应的影响最大，信息池化与通透粘性的冲击均较大。信息池化自相关效应、通透粘性及情感粒度的每次冲击可迅速传导至信息池化，滞后三期内具有较大影响，并呈逐渐减弱趋势。其中，信息池化自相关效应最大，通透粘性及情感粒度的冲击效应也均较大。

第二，对于整个过程，情感粒度对信息池化波动的贡献率最大，信息池化自相关效应较大，通透粘性影响效应较小。情感粒度自相关效应对情感粒度波动的贡献率最大，信息池化影响效应较大，通透粘性影响效应较小。情感粒度对通透粘性波动的贡献率最大，通透粘性自相关效应及信息池化的影响效应均较大。

第三，通透粘性与情感粒度对信息池化的边际影响力变化呈倒U形抛物线特征，通透粘性与信息池化对情感粒度的边际影响力变化呈U形特征，信息池化与情感粒度对通透粘性的边际影响力变化呈倒U形抛物线特征。

第四，情感粒度对信息池化的影响效应大于通透粘性的影响效应，情感粒度对通透粘性的影响效应大于信息池化的影响效应，通透粘性对情感粒度的影响效应大于信息池化的影响效应。

关于通透粘性与情感粒度对信息池化滞后影响效应的形成，一方面，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，刺激个体的想法使创新更有可能，因而在该类群体中不易于产生从众效应，其信息池化也越弱。如果该系统主要由较强关系成员构成，用户间具有较高的相似性，所获得的信息具有较大程度趋同，通过强关系传播的信息更可能局限于较小的社会空间范围。由于人们惯于通过该强关系圈子进行交流，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，其中多数信息具有相似性[14]。因而，通透粘性较大时，人们易于产生信息从众心理，其信息池化程度也越高。另一方面，有限理性理论指出，大多数人只是部分理性，在他们其余的行为中是非理性的，人们在制定和解决复杂问题以及处理信息方面(接收、存储、检索、传输)会受到多种因素限制。通常，在个人做出决策时，其理性会受到决策问题的易处性、思维的认知局限性以及需做出决策的时间压力的限制和影响，从而行为主体寻求的是满意的决策，而非最佳解决方案[15]，其中情感粒度则是人们认知中非理性的重要影响因素。突发事件中，在有限理性作用下，人们的情感和情绪则促进了人们易于产生从众效应，从而信息池化程度也越高。

该研究结论对突发事件中用户信息池化行为的管控和治理具有启示意义。首先，在信息池化行为管控及治理过程中，应重点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。同时，降低因通透粘性而引起的不准确信息的快速扩散，以及因客观信息披露不及时而导致用户信息池化效应，从而引起小道消息的快速和广泛流动。通过对用户情感的疏导及信息池化现象的管控，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，通过对用户情感粒度的监管，既能减少用户信息池化，也能降低通透粘性的概率。同时，通过对通透粘性的管控，既能减少用户信息池化的负面效应，也能降低用户因情感粒度增大而引起情绪极化的风险。即通过对突发事件中用户情感粒度和通透粘性的管控，可较好的实现降低用户情感粒度、弱化通透粘性、降低用户信息池化三者间的良性循环，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信息池化而引发舆情失控的风险和概率。最后，由于情感粒度、通透粘性及信息池化之间相互影响效应在不同用户类型上存在差异，因此在突发事件信息池化行为治理过程中，对用户信息池化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、通透粘性管控及信息池化监控过程中，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岁及以下用户的引导和监管，其次为30岁至49岁的用户。