网络舆情传播的从众效应

■刘锦德 王国平

一、网络舆情传播研究概况

随着互联网和Web2.0技术的发展，网络媒体作为信息发布和传播的载体对舆情传播的影响越来越大，已被公认为是继报纸、广播、电视之后的“第四媒体”。据CNNIC测算，截至2014年年底，中国网民数量达到6.49亿,手机网民数量达到5.57亿［1］,微博、新闻评论、微信、BBS、聚合新闻（RSS）和博客等成为网络舆情信息的重要来源。庞大的网民群体尤其是移动网民群体推动了海量信息在网络上的传播，在这个过程中信息很容易变样，很多报道信息在传播过程中被别有用心的人恶意篡改甚至雇佣“网络水军”将其歪曲，最后变成负能量在网络上传播，严重影响社会的稳定。面对此类情况，重视并加强舆情传播特别是对互联网为代表的新兴媒体的网络舆情传播的维护引导具有非常重要的作用。

传统的网络舆情研究偏重于定性分析，从构建模型出发、定量模拟网络舆情演化规律的研究较少。现阶段，网络舆情传播研究主要有两个方面：一个方面是网络结构。网民作为节点，通过人际关系连接组成一个错综复杂的网络结构，网络结构是舆情传播的载体，对舆情传播过程有重要影响。传统的研究用随机图和规则网络来刻画人际关系网，而事实上传统的解析数学模型很难将这种舆情传播及形成的典型复杂系统研究透彻，而人与人之间的关系用规则网络研究又显得过于简单。通过研究发现，大多数实际情况下的复杂网络处于完全规则和完全随机这两个极端之间，既具有类似规则网络的较大集聚系数，又具有类似于随机网络的较小平均路径长度，这就是小世界网络，如人际关系网络中的“六度分离”就是小世界网络的经典例子［2］。1998年Watts和Stro-gatz提出了一种小世界网络模型（简称WS模型)［3］，通过对规则网络实施“重连”或“添加长程连线”实现对某些节点之间的长程连接，构造出的网络模型可以反映现实世界的人际关系网络。在研究网络舆情的传播中，刘常昱等［4］以小世界模型为基础构建人际关系网络拓扑，对我国某特定地区舆情传播进行了模拟分析。唐晓波等［5］在微博舆情的分析中引入了复杂网络的共词网络分析和思想方法，并在这基础上设计了基于网络可视化的微博舆情分析模型。金鑫等［6］以新浪微博为例分析了微博社会网络的无尺度特性、小世界特征以及微博舆情的传播机制。周辉［7］从流言传播网络的拓扑结构角度对预测和控制流言传播策略问题进行了研究，这一研究表明：采用小世界网络模型来研究流言传播过程中的动力学行为，进而对其进行预测和实施控制，具有潜在的应用价值。Jiang L-L等［8］基于定向小世界网络研究了自我肯定效应对舆情传播的影响，结果表明长程连接对舆情传播影响显著，随着长程连接密度的增加，观点由连续区域变成一片片间断的区域。

舆情传播研究的另一个主要方面是网民的行为分析。现实中，网络舆情传播过程中普遍存在“羊群效应”，也就是说在舆情的演化过程中会出现观点收敛的情况，所有人的观点达到统一。穆卫东等［9］提出要警惕新闻转载中的羊群效应，跟风易导致盲从，而盲从的结果一般会掉进陷阱或遭到失败。韩少春等［10］和陈福集等［11］研究了舆情传播的羊群效应,但他们没有对羊群效应产生的原因进行深入的分析。实际上羊群效应产生的一个重要原因是网络群体的从众行为，从众行为的产生主要由个体信息的不完全导致，群体信息的优势促使个体的从众行为［12］。燕道成讨论了从众子群体极化问题［13］。Bikhchandani依据信息瀑布理论认为个体在进行决策时的最优策略是完全跟随他人而忽略了自己的信息，此时便 会 产 生 从 众 行 为［14］。赵 玲 等［15］对 微 博 用 户的行为进行分析发现，从众行为的发生与个体信息可信度、公共信息可信度和群体态度等有着明显关系。网络舆情的传播速度非常快，网民往往在了解真相之前就被众多信息包围，因而在短时间做出的判断跟周围群体的观点有很大关系，在进行观点的选择时会跟大流走，就像跟在羊群后面的一只“羊”。从众行为理论已经在消费者行为、股票市场、行为决策等领域得到广泛应用，而在网络舆情传播中的研究应用相对较少。研究网民群体的从众特性能为我们理解舆情传播的内在机理提供一定借鉴，为分析舆情传播羊群效应提供理论支持。

人们对网络舆情传播理论与方法的研究还存在不足之处：传统的网络舆情研究主要基于门户网站，特别是大型门户网站在网络新闻的传播中占主导地位，随着自媒体时代的到来，以微博、微信、社交网站等为主的新兴网络媒体日益改变人们阅读的方式，网民通过这些网络媒体能很容易发布自己亲眼所见、亲耳所闻的事件，从而成为网络舆情的传播者甚至是创造者。另外在网络舆情传播研究中，专门研究群体从众行为的也相对较少，因此本文基于社会心理学中的群体压力理论，在小世界网络上构建舆情传播模型，利用数值仿真模拟网络观点（1和0）的演化规律。

二、网络世界下的演进模型

（一）从众特性和群体规模的影响

个体从众特性是指个体在进行决策时不是依据最优收益选择最佳策略，而是采取跟随大众的策略，从众行为可以省去个体的分析成本，从而达到有效决策，但从众行为也可能产生错误。从众行为在生活中普遍存在，尤其是网络舆情的传播中，如2011年日本地震导致的核泄漏在我国引发了食盐抢购事件。

个体与个体间存在相互影响，但个体产生的影响作用是不同的，有可能是非间接、面对面的一个过程，也有可能非常的微小以至难以察觉。从众行为主要是发生在群体之间，在群体里个体通过频繁发生观点交互，彼此产生影响，而群体压力是指群体中多数个体的共同观点会对持有其他观点的个体产生的影响，因此个体在面对群体压力时易产生从众行为。从Asch的经典从众实验可以发现［16］：约32%的个体会被一个带有错误观点的群体所影响，即便其给出的观点有明显错误的情况下。同时，我们可以从Milgram及其共同研究者的实验中得出以下的事实［17］：假设某人驻足于曼哈顿大街，并且目不转睛地盯着六楼的某块窗户看，接下来就会有大约20%的过路人情不自禁地也往上看；如果更多的人进行这样的动作，将会有更多的人受此影响抬头往上看，如当人数为5个时，有近80%的人停下来往上看。

（二）个体观点演进规则

个体需要选择自己的观点或行为，而网络上个体不是独立的，个体观点的选择受周围群体的影响，同时也会影响他人观点的形成。这里我们对Milgram的实验结果做出以下简化：

在上面的方程式中，参数代表的是持有某一特定观点的群体占总群体的比例，而表示的是个体接受大众观点的几率。每一个个体在初始阶段都有初始观点（1或0），在舆情传播过程中通过与其邻居进行观点交互，进行观点演进。在这种情况下，个体有可能保持自己的观点，但是也有其他的可能。有可能会产生两种观点的转变，也就是观点1转向观点0，或者是观点0转向观点1。下面的（2）式表示的就是个体观点变化的概率：

方程式（2）体现了观点1向观点0转变的概率，而在公式(3)当中，则体现了观点0向观点1转变的概率。P(0)代表的是观点0个体从众的概率，P(1)代表的是在观点1条件下个体的从众概率，通过公式（2）和公式（3）的演算，可推出（4）：

在这个方程式里面，个体改变或采取相反观点的概率与保持自己观点的概率总和是100%。举个具有观点1个体的情况来说，P(0→1)是保持个体观点不变的概率，P(1→0)是个体改变自己观点的概率。此外，利用大多数网络群体的从众特性，某些非法个体借助“网络水军”给舆论造势，引导舆论走向，从而达到控制舆论的目的。“网络水军”是指受网络公关公司雇佣的，专门为一些特定的帖子回帖造势并获得相应报酬的网络人员，例如著名的“秦火火”。2013年8月19日，涉嫌非法经营和寻衅滋事罪的“秦火火”被北京警方拘留，“秦火火”当时是北京某公司在沈阳分公司社区部的副总监，主要负责的是网络推广等工作，他借动车事故恶意编造、散发谣言称中国政府花2亿元天价赔偿外籍旅客，这则谣言一发出，在2个小时内就被转发1.2万次，引发了网民对政府极其消极的情绪。另外“秦火火”还编造了一系列的谣言，如污蔑雷锋这一模范道德形象，编造中国残联张海迪拥有日本国籍身份，甚至将著名军事专家、资深媒体记者、社会名人和一些普通群众作为攻击对象，无中生有编造故事，恶意造谣抹黑中伤等等。［18］本文认为“网络水军”是一群个体观点始终不变且异常活跃的特殊群体，在研究网络群体从众特性时需考虑其对网络舆情传播的影响。

（三）小世界网络的构建

传播理论认为，社会是由一个大的人际关系网组成的，人是该网络的结点，人与人之间的人际关系是该网络的连接或边，社会舆论在人际社会关系网路中传播。传统研究先后用规则网络与随机网络来刻画人际社会关系网，但随着研究的深入，研究者发现规则网络和随机网络在刻画人际关系网时存在很大误差，事实上，人际关系网络既不是完全规则的，也不是完全随机的，而是“小世界”网络。小世界网络最早由Watts和Strogatz提出，他们研究发现，人类社会网络一般具有较大的聚集系数,同时又有较小的平均距离，这种网络集合了规则网络和随机网络各自的特性，因此他们在规则网络和随机网络基础上提出了小世界网络。本文基于Watts和Strogatz提出的小世界网络对舆情传播进行仿真分析，步骤如下：

步骤1，构造个体规模为n的网络，每个节点的度为k，个体观点x；

步骤2，以概率p断开规则网络中的边，并随机选择新的端点重新连接，排除自环和重连边，从而形成小世界网络；

步骤3，对个体I，将其所有相邻（即彼此之间有边连接的）节点通过一定的变换看作一个整体J，然后将I与J进行观点交换，根据公式（2）和（3）将个体观点更新；

步骤4，重复步骤2到步骤4直至达到预先设定的最大时间步t。

基本参数设定为：群体规模n＝1000,每个节点的度k＝4,重连概率p＝0.1。值得注意的是：当p＝0时，形成的是规则网络，而当p逐渐增大时，网络结构的随机性增加，小世界现象越来越不明显。

图1 由规则网络变化到随机网络

从图1可以看出，小世界网络这种网络形式并不局限于规则网络和随机网络上，这种网络形式既存在较大的集聚系数，也有较小的平均距离，综合这两种不同的特性即为小世界效应。小世界网络就如同我们现实生活中的人际关系网络一样，我们的人际关系都是以邻居、学校、工作岗位为中心扩散，但是也不局限于这些人，我们可能也会有少数朋友在外地或者是在国外，WS模型中的长程连接指的就是这种关系。因其良好的结构特性，小世界网络被广泛应用于模拟人际关系网络的研究中，本文利用WS模型构建具有小世界网络特性的舆情传播网络，在此基础上分析网络舆情的传播规律。

（四）仿真分析

图2 不同“网络水军”比例下舆情传播过程

本文运用matlab进行仿真分析，个体数为100，初始观点均匀随机分布，假定“网络水军”的观点为1，始终不变，舆情网络结构为小世界网络，仿真次数超过100次，并对结果取平均值。图2给出不同“网络水军”比例下舆情传播过程，从中可以看出，只要很小的“网络水军”比例就能带动整个舆论的走向，可见网民的从众行为具有很强的联动效应，这跟小世界网络的长程连接有关系，长程连接能影响距离较远的个体之间观点交互，促进了观点的传播速度与范围，从而加速了羊群效应的形成。因此，整治“网络水军”是净化网络环境，营造和谐的网络文化迫切需要解决的问题。

进一步分析初始状态观点分布对网络舆情传播的影响，对舆情产生初期持有观点1和0的个体数量比设定了九种情形：从9/1到1/9，如9/1表示舆情产生初期持有观点1的个体数量是持有观点0的个体数量的9倍，并对不同情形进行仿真分析，仿真结果如图3。

图3 群体舆情值

其中，定义群体舆情值为所有个体观点的平均值：

在图3中，给出的九条曲线都是用P*N*进行命名的。以P9N1来说，它表示的就是初始状态下，群体值是9/2。从这个图可以看出，在这个舆情的模式里，很难出现整体被一种观点完全占据的情况，在所有的初始状态中最后都会达到差不多0-1观点相平衡的状态，在这种状况下的取值为0.5，但是群体不间断交互会造成一定的波动。根据图3显示，P5N5没有显示很大的波动，这主要是因为正、负观点在初始阶段的数量是基本相同的。

“网络水军”为了达到左右网络舆情的目的，通过不停刷帖、跟帖使大部分不明真相的网民跟随他们的观点。为了防止“网络水军”带来的不良影响，引导网民向正确的舆论方向演进，可以采用两种治理措施：嵌入型和强制型。嵌入型治理措施强调对舆论观点的引导，主要表现为政府权威部门或主流媒体及时发布正确事实，消除不良报道，与“网络水军”正面拉锯。强制型治理除了对舆论观点的引导，更强调对不实报道来源的整治，主要体现为整治 “网络水军”，如封杀IP、实行严格的发帖审核制度、删除散播不良信息的帖子等。图4模拟了两种治理模式下的观点变化情况，嵌入型治理通过固定一定比例个体的观点为0来实现，强制型治理则加入删除水军节点这一程序。从图4中可以看出通过嵌入型治理策略可以在一定程度上引导网民观点向正确的方向演进，但是并不能完全抵消“网络水军”带来的不良影响，当固定观点为0的比例与水军比例相同时，观点会呈现0-1共存的局面，也就是说引导方与“网络水军”进入拉锯战，谁也不能左右舆论的演进方向。但强制型治理策略带来的治理效果更显著，在较小的治理强度下即可实现引导舆论走向的目的。封杀水军IP、删除散播不良信息的帖子等方法能有效从源头上杜绝不良信息的产生，加之政府与权威媒体的合理引导，能够帮助普通民众快速了解事实真相，从而营造良好的网络环境。

图4 不同治理模式下舆情演化情况

三、结语

基于网民在网络舆情传播过程中普遍存在从众行为特性，本文借鉴经典心理学从众理论，构建个体在群体压力下的从众模型，研究了人群的从众特性对网络舆情传播的影响，研究结果表明当没有外部影响时，无论初始观点如何分布，都能达到0-1观点相平衡的状态，但“网络水军”能打破这种均衡，影响网络舆情的最终走向。因此，要治理“网络水军”及防止其不良影响可采取以下具体做法：一是堵塞不良信息传播渠道。鉴于某些非法个体借助“网络水军”来引导舆论、控制舆论，管理者可通过一系列专项治理行动来深入整治网络秩序、净化网络空间。二是重视与网络媒体交流互动。政府具体职能部门可与网络主流媒体多进行交流，通过与网络主流媒体的互动来建立网络主流声音，这样能更好地将网络“虚拟社会”的话语权掌握在自己手中，也利于更好应对网络舆情传播中的各种危机事件。三是加强意见领袖管理。网络群体的从众特性说明意见领袖观点的选择对舆情走向有重要的影响，因此既要发挥意见领袖在网络舆情传播中的引导作用，又要避免他们出现偏激、不当的言论。

［1］中国互联网络信息中心.第35次中国互联网络发展状况统计报告［Z］.北京:中国互联网络信息中心,2015.

［2］黄萍,张许杰,刘刚.小世界网络的研究现状与展望［J］.情报杂志,2007,（4）.

［3］Watts D J,Strogatz S H.Collective dynamics of‘small-world’networks.nature,1998-06-04.

［4］刘常昱,胡晓峰,司光亚,罗批.基于小世界网络的舆论传播模型研究［J］.系统仿真学报,2006,（12）.

［5］唐晓波,宋承伟.基于复杂网络的微博舆情分析［J］.情报学报,2012,（11）.

［6］Jin X,Wang Y.Research on social network structure and public opinions dissemination of micro-blog based on complex network analysis.Journal of Networks,2013,(7).

［7］周辉.流言传播的小世界网络特性研究［J］.武汉科技学院学报,2005,（1）.

［8］Jiang L-L,Hua D-Y,Zhu J-F,Wang B-H,Zhou T.Opinion dynamics on directed small-world networks.The European Physical Journal B-Condensed Matter and Complex Systems,2008,(2).

［9］穆卫东,黄炜.警惕新闻转载中的“羊群效应”［J］.青年记者,2010，（19）.

［10］韩少春,刘云,张彦超,程辉.基于动态演化博弈论的舆论传播羊群效应［J］.系统工程学报,2011,（2）.

［11］陈福集,黄江玲.基于演化博弈的网络舆情传播的羊群效应研究［J］.情报杂志,2013,（10）.

［12］郑波.网络事件中的从众分析［D］.上海：上海社会科学院,2010.

［13］燕道成,杨瑾.网络推手炒作谣言的传播机制及其防控策略［J］.华侨大学学报（社会科学版）,2015,（4）.

［14］Bikhchandani S,Hirshleifer D,Welch I.A theory of fads,fashion,custom,and cultural change as informational cascades.Journal of political Economy,1992.

［15］赵玲,张静.基于羊群效应的微博用户从众行为分析［J］.大连理工大学学报(社会科学版),2013,(4).

［16］Asch SE.Effectsof group pressure upon the modification and distortion of judgments.Groups,leadership,and men S,1951.

［17］Milgram S,Bickman L,Berkowitz L.Note on the drawing power of crowds of different size.Journal of personality and social psychology,1969,(2).

［18］吕晶,刘瑞芳.论“网络水军”的影响力［J］.北京邮电大学学报(社会科学版),2011,(5).