企业负面新闻事件下社交媒体多类型信息竞争演化研究

阮文翠 夏志杰 王家辉

摘要：研究企业负面新闻爆发后社交媒体平台产生的多类型信息的竞争传播规律有助于企业负面新闻的应对。企业负面新闻爆发后社交媒体平台随之产生虚假新闻、不确定性新闻信息及真实新闻信息。以生态学种群理论为基础，引入生物种群竞争Lotka-Volterra模型来刻画三者之间的动态竞争过程，并进行仿真和实证分析。不确定性新闻信息及真实新闻信息对虚假新闻的竞争系数影响虚假新闻的生存状态；三种新闻信息达到平衡状态只与三者之间的竞争系数有关；三种信息传播的拐点受竞争系数、信息扩散率及信息初始值的影响。

关键词：虚假新闻；竞争传播；Lotka-Volterra模型；灰色估计

中图分类号：G206文献标识码： ADOI：10.3969/j.issn.1003-8256.2020.04.010

开放科学（资源服务）标识码（OSID）：

基金项目：国家社会科学基金项目（14BTQ026）；国家自然科学基金青年项目（71503163）；上海工程技术大学研究生科研创新项目“基于情感分析的热点话题微博意见领袖的识别”

0引言

Web2.0及社会化媒体的发展，使得社交媒体用户在信息传播过程中的主动参与性与交互共享性大大增强[1]。用户不再仅仅是信息接受者，更是信息创造者和传播者[2]。由于用户的广泛性及媒介素养不均性，导致出现虚假新闻泛滥，多种信息竞争传播，事实真假难辨的局面[3]。部分企业也因此遭受恶意抹黑的负面新闻事件的重创。与此同时，多种信息伴随着企业负面新闻事件在社交媒体中扩散，若企业应对不利，可能诱发次生危害[4]。如2018年“星巴克咖啡致癌”事件发生后，虽然星巴克在社交媒体平台发布公告，但人们普遍质疑，最终引发用户对整个咖啡行业的攻击。因此，研究企业负面新闻事件下多种信息间的传播机制具有重要的现实意义。

当前，有关企业负面新闻事件下多种信息的研究主要包括定性研究[5-7]及建模仿真[7-11]。定性研究方面，Pal等[8]将企业负面新闻事件爆发后产生的信息分为虚假新闻信息、真实新闻信息及不确定性新闻信息三类，并研究三种信息的内容特征。Banerjee等[9]建立情感极性分类模型，将企业负面新闻事件下的信息分为正面、负面、中立三类。建模仿真方面，国内外学者分别构建了D-K模型[10]、Bass模型[11]、传染病模型[12]及元胞自动机模型[13]对负面新闻事件中的多种信息传播规律进行研究。部分学者考虑到信息在传播过程中的竞争作用，故采用Lotka-Volterra（LV）模型來刻画多种信息之间的竞争传播过程。钟琪[14]建立了危机情境下真实信息与虚假信息竞争传播的LV模型，刘咏梅[15]建立了突发事件舆论场中谣言和反谣言竞争传播的LV模型，张亮等[16]建立了食品安全网络舆论中正面和反面观点竞争传播的LV模型。尽管企业负面新闻事件下多信息竞争传播建模研究取得一定进展，但还存在以下不足：只考虑多种信息中虚假新闻信息与真实新闻信息的竞争传播，忽视了不确定性新闻的作用。不确定性新闻信息产生于模糊的、复杂的、不可预测的或概率性的情境中，表达了对事件的质疑及了解真相的诉求，用户为了解真相积极参与信息搜索及意见发表。不确定信息是群体沟通和“感知”过程的一部分，因此可以通过不确定性新闻了解在线集体感知，预测新闻真实性[17]。

基于此，本文在定性研究企业负面新闻爆发后产生的信息特征和分类的基础上，构建信息竞争演化的LV模型进行模拟仿真，从定量的视角分析影响三种信息演化的关键因素。以新浪微博中“星巴克致癌”事件为样本数据进行实证分析，为企业应对负面新闻舆情提出相应对策。

1企业负面新闻事件下的三种信息相互竞争模型

1.1理论模型

生物学中Lotka-Volterra模型最初被用来刻画生物种群间的动态竞争情形。由于社会经济活动与生物种群间的动态发展类似，故该模型逐渐被引入社会经济管理相关领域中。社交媒体平台是一个开放自由的场所，任何用户都可以发表自己的观点、内容。针对任意事件，社交媒体用户都能采取转发、评论、点赞等方式表达自己对该事件的态度和观点。由于社交媒体平台的易用性和便利性，某一事件爆发后总会引发不同观点的舆论，且随着信息的传播扩散，多种代表不同观点的舆论总是会形成相互竞争或者相互补充的关系。社交媒体平台类似于一个生态系统，支持同一种观点的信息可以看作是一个信息种群。信息种群的数量受到以下几种因素的影响：信息自身传播的潜力、其他观点信息的竞争力以及这种信息所能影响的受众最大值。因此，我们可以引入Lotka-Volterra模型来刻画企业负面新闻爆发后，社交媒体平台产生的三种新闻信息竞争传播演化规律。企业负面新闻爆发后社交媒体平台产生的信息种群：（1）虚假新闻种群：由虚假新闻构成，这些虚假新闻是由网络推手或者企业竞争对手等用户捏造的、与事实不符、通常是耸人听闻的信息；（2）不确定性新闻信息种群：由不确定性新闻信息构成，部分企业追随者或利益相关者发布的，既不赞同也不否定负面新闻事件，对负面新闻事件表示质疑，包含了解真相的诉求；（3）真实新闻种群：由真实新闻信息构成，由企业官方或权威人士发布的，揭露真相、驳斥虚假新闻的信息，真实新闻的发布能够减少用户对虚假新闻的信任。三种新闻种群之间相互竞争，共同构成企业负面新闻舆情生态系统。基于此，建立生态概念模型如图1。

1.2数据模型

以企业负面信息爆发后社交媒体平台上出现的虚假新闻、真实新闻及不确定性新闻信息为研究对象，涉及的符号定义如下：

x1（t）、x2（t）、x3（t）：企业负面新闻爆发后社交媒体平台中的虚假新闻、不确定性新闻信息及真实新闻随着时间t变化的数量；r1、r2、r3：虚假新闻、不确定性新闻信息、真实新闻信息固有增长率（即不考虑外界因素，信息内容自身特征主导的增长）；K1、K2、K3：虚假新闻、不确定性新闻信息、真实新闻信息可以争取到的用户信任数量的最大限额；α12、α13：不确定性新闻信息、真实新闻对虚假新闻的竞争系数；α21、α23：虚假新闻、真实新闻对不确定性新闻信息的竞争系数。α31、α32：虚假新闻、不确定性新闻信息对真实新闻的竞争系数。

根据Lotka-Volterra模型生态原理，企业负面新闻爆发后产生的虚假新闻在扩散的过程中，受到自身的发展的限制，还受到同一舆论场中不确定性新闻信息的竞争作用及真实新闻种群的捕食作用。因此虚假新闻的logistic增长方程为：

同理，不确定性新闻信息受到自身增长阻滞作用及虚假新闻和真实新闻的抑制作用，其logistic增长方程为：

2三种信息竞争传播模型仿真与分析

为了研究企业负面新闻爆发后三种信息的之间的竞争关系，使用MATLAB软件对企业负面新闻爆发后三种信息竞争传播情况进行仿真。

2.1基于稳定条件的三种信息竞争结果分析

假设虚假新闻、不确定性新闻信息、真实新闻的信任者最大限度K分别为：K1= 1000，K2= 1200，K3= 1500。种群增长率分别为：r1= 1，r2= 1，r3= 1。竞争周期t = 100。

由仿真结果可知（图2），虚假新闻、不确定性新闻信息、真实新闻在舆论场中竞争传播的平衡状态受三种新闻之间的抑制系数α的影响。按最终竞争结果将平衡点分为三类：对企业不利状态、对企业最优状态、对企业次优状态。

（1）对企业不利状态：平衡点P2、P3、P5，在平衡点P2由于企业未能及时发布澄清事实的真实新闻或发布的真实新闻内容未能清晰揭露真相等原因，导致虚假新闻迅速扩散，并稳定在一定规模。不确定性新闻信息和真实新闻数量逐渐趋向于0，在这种情况下，虚假新闻在整个舆论场占优，企业受到严重负面影响。在平衡点P3虚假新闻和真实新闻新闻逐渐减少并趋向于0，不确定性新闻信息还存在一定数量并达到稳定状态，用户对企业负面新闻事件的真实性依旧无法判定。在平衡点P5不确定性新闻信息与虚假新闻迅速传播并达到稳定状态，真实新闻不被用户接受，数量趋向于0，企业应对负面新闻事件的措施失败。

（2）对企业最优状态：平衡点P4，企业应对措施得当，真实新闻较快传播并达到稳定状态，虚假新闻与不确定性新闻信息逐渐减少并趋向于0。

（3）对企业次优状态：平衡点P6、P7、P8，在平衡点P6不确定性新闻信息趋向于0，虚假新闻和真实新闻占优并达到稳定状态，说明虚假新闻与真实新闻竞争力很强，即将继续处于竞争状态。在平衡点P7虚假新闻逐渐趋向于0，未证实的新闻信息与真实新闻竞争力都较强，将处于持续竞争状态。在平衡点P8不确定性新闻信息、虚假新闻和真实新闻共存，这说明虽然真实新闻抑制虚假新闻传播、对不确定性新闻信息有引导作用，但虚假新闻及不确定性新闻信息的生命力很强，导致信息一直处于竞争状态。在企业短时间内无法有效应对负面新闻的情况下，真实新闻与虚假新闻或不确定性新闻信息的持续竞争是企业应对负面新闻的次优状态。

2.2三种信息竞争传播平衡状态与信息初始数量的关系

令α12= 0.3，α13= 0.5，α21= 0.7，α23= 0.4，α31= 0.6，α32= 0.8，r1= 0.4，r2= 0.6，r3= 0.9，并分别取x0= （20，10，30）及x0= （30，60，5），仿真结果如图3所示：虚假新闻、不确定性新闻信息、真实新闻相互竞争，最终的平衡状态下，虚假新闻占上风，真实新闻处于最劣势，该平衡状态与三种信息的初始值x0无关，但信息传播的拐点与初始值相关，即：三种新闻信息最终的竞争结果与信息的初始数量无关。负面新闻事件爆发后，社交媒体平台中最先占据有利地位的信息，越早出现信息递减的趋势。

2.3三种信息竞争传播平衡状态与信息扩散率的关系

令α12= 0.3，α13= 0.5，α21= 0.7，α23= 0.4，α31= 0.6，α32= 0.8，x0= （30，60，5）并分别令r1= 0.4，r2= 0.6，r3= 0.9及r1= 0.9，r2= 0.5，r3= 0.1，得到仿真结果如下图4：虚假新闻、不确定性新闻信息、真实新闻互相竞争的结果为虚假新闻占优，真实新闻处于最劣势地位，平衡状态与扩散率r的大小无关，但是达到平衡状态所需要的时间与扩散率r的大小相關。即：三种新闻信息的传播速度大小不影响整个舆情的最终状态，但影响达到稳定状态所需要的时间。传播速度越快，达到稳定状态的时间越短。

3实证分析

3.1案例背景

现以“星巴克致癌”事件为例，验证以上新闻信息竞争传播模型的合理性。“星巴克咖啡致癌”消息最早是2018年3月31号下午由自媒体“澳洲Mirror”发布，31号19∶00在微博平台上开始扩散，博文引发了很多自媒体的关注，开始纷纷跟进“星巴克事件”，微博用户也在热烈的讨论“咖啡是否致癌”。2018年4月1日下午开始，一些传统的媒体开始介入。丁香医生发文表示：适当的喝咖啡对身体无害；“人民日报”微信公众号推送标题为《比起星巴克咖啡致癌，更可怕的是国外中文造谣媒体》一文，严厉点名批评“澳洲Mirror”的造谣行为，并为广大读者辟谣。星巴克官方也在微博上发声明表示此消息为虚假新闻。2018年4月2日，虚假新闻逐渐灭绝，真实新闻占优势地位，整个舆论场逐渐趋于稳定状态。

3.2数据收集

本文使用“八爪鱼”爬虫软件，以“星巴克致癌”为检索词，检索到1341条博文，在删除了321条不相关的推文之后，剩余1020条博文被用作样本数据。以每小时为单位，将样本数据按照虚假新闻、不确定性新闻信息、真实新闻进行分类，统计每小时虚假新闻、不确定性新闻信息、真实新闻的数量并绘制三种信息的扩散图如下图5所示：

3.3参数估计与模型拟合

目前研究对Lotka—Volterra模型进行参数估计主要集中在非线性最小二乘法及灰色估计法：熊熊等[18]利用非线性最小二乘法估算出韩国期货市场KSE与KOSDAQ两个股票的竞争与合作系数。赵旭等[19]使用灰色估计法估计出新加坡港和巴生港之间的影响系数，并对港口竞争趋势进行拟合和预测。灰色估计法的优点是对数据要求较少，且算法较易实现，故实证部分使用灰色估计法对已建立的模型进行参数估计。将（4）式转化为（7）式：

将系数还原回原方程组的系数可知：

（1）r1< r2< r3，说明在“星巴克致癌”事件的整个舆情演化过程中，真实新闻的增长率最高，不确定性新闻信息次之，虚假新闻的增长率最低，真实新闻得到了微博用户的信任，有效的抑制了虚假新闻的传播。

（2）α12< 0，α21< 0，说明“星巴克致癌”事件的舆情中，虚假新闻对不确定性新闻信息有负向作用，不确定性新闻信息对虚假新闻有负向作用，两者之间为竞争关系。α13< 0，α31< 0，虚假新闻与真实新闻互为负向作用，真实新闻与虚假新闻有着互相竞争的关系。α23< 0，α32< 0真实新闻与不确定性新闻信息互为负向作用，两者为竞争关系。

在该案例中，企业官方与权威人士发布真实新闻较为及时，真实新闻得到较多社交媒体用户的信任和转发，且真实新闻来源的可靠性较高，扩散速度大于虚假新闻及不确定性新闻信息，因此在较短时间内抑制了虚假新闻及不确定性新闻信息的负面作用。

4结果及建议

本文根据企业遭受负面新闻攻击后舆论场的虚假新闻、不确定性新闻信息、真实新闻传播的生物种群特征，建立企业负面新闻爆发后的三种信息种群竞争模型，并采用从微博案例中爬取的数据对该模型进行了较好的拟合。研究结果表明：不确定性新闻信息及真实新闻信息对虚假新闻的竞争系数α影响虚假新闻的生存状态；三种新闻信息的传播速度r的大小不影响整个舆情的最终状态，但影响达到稳定状态所需要的时间。传播速度越快，达到稳定状态的时间越短；三种新闻信息最终的竞争结果与信息的初始数量x0无关。负面新闻事件爆发后，社交媒体平台中最先占据有利地位的信息，越早出现信息递减的趋势。

根据研究结果，本文提出以下建议：

（1）提升真实新闻对虚假新闻及不确定性新闻信息的竞争系数，即增大竞争模型中的α13、α23。从真实新闻的内容入手，提升信息内容中证据的完整性和真实性，可采取在信息中添加附加信息如：图片、视频、定位、链接及认证信息等措施以增加信息的可信度[20]。另一方面也可以改善真实新闻的发布方式，直接反驳虚假新闻容易造成“逆火效应”，因此采取真相陈述而非否定式陈述的方式发布真实信息，提升用户对真实新闻的信任度，增强真实新闻的竞争系数。

（2）提升真实新闻的扩散率，即增大竞争模型中的r3。重视意见领袖及权威人士在企业负面新闻爆发后的作用。社交媒体中的意见领袖及权威人士在舆情信息扩散的过程中可以引导舆情的走向，因此，借助意见领袖及权威人士的影响力，企业要与意见领袖及时沟通和交流，鼓励意见领袖及权威人士对真实信息进行转发及扩散，从而提升真实新闻的扩散率，在最短的时间达到稳定状态。

（3）在虚假新闻爆发的第一时间源源不断地发布揭露真相的真实新闻，即增大模型中真实新闻的x0，使真实新闻在最短时间内获得用户的信任并达到稳定状态。虚假新闻爆发后，回应迅速、反应及时是危机管理的首要原则[21]，在负面危机事件沟通处理上，企业作为危机主体必须做到快速说明，及时并且高频率地发布真实信息。

（4）重视社交媒体用户群体智慧的力量，群体因其异质性，具有批判性思维等特点[22]，能在企业负面新闻爆发之后对虚假新闻提出不同的观点，并互相学习以形成较为理性的判断。群体的质疑、反驳及举证产生更多的真实信息，对企业负面新闻爆发后的虚假新闻有一定的抑制作用，更好地发挥群体智慧的作用，对模型中参数α13、α12、r2、r3、x0都具有正向影响。

5结语

文章在生物種群竞争理论和Lotka-Volterra模型基础上，分析企业负面新闻爆发后虚假新闻、不确定性新闻信息、真实新闻信息的竞争传播机理，构建三种信息竞争传播模型，分析竞争平衡点及影响因素，并利用MATLAB对模型进行模拟仿真，得出了一些有意义的结论。根据这些结论提出了应对企业负面新闻传播的策略。文章将不确定性新闻信息作用引入竞争模型弥补了只考虑虚假新闻与真实新闻竞争传播的缺陷，但也存在一定的局限：并未考虑三种信息的外部环境因素，实证分析选取的例子较少，且数据量较小，模型在未来的大数据样本环境下还需要进一步的检验和改进。

参考文献：

[1]托马斯J，约翰逊，芭芭拉K凯.互联网与传统媒介信息可信度的比较[J].国际新闻界， 1999（5）：56-59.

[2]蒋盛益，陈东沂，庞观松，等.微博信息可信度分析研究综述[J].图书情报工作， 2013，57（12）：136-142.

[3]谢冬.网络学术信息可信度分析[D].南昌：南昌大学， 2014.

[4]王治莹，王伟康.突发事件下多种信息交互传播的动力机制与调控策略[J].中国安全生产科学技术， 2018，14（2）：12-19.

[5]徐琴峰.浅析大数据时代上市公司负面舆情的应对策略[J].纳税， 2017（31）：133.

[6]陳宪宇.社会化媒体时代企业危机的应对策略[J].企业改革与管理， 2014（1）：4-9.

[7]马诗雨，杨越，吕廷杰，等.企业危机事件网络舆情应对研究——以"海底捞老鼠门"为例[J].现代商业，2018（19）：98-102.

[8]PAL A， ALTON Y C， GOH D H. Does KFC sell rat？ Analysis of tweets in the wake of a rumor outbreak[J]. Aslib Journal of Information Management， 2017， 69（6）： 660-673.

[9]BANERJEE， SNEHASISH， CHUAAYK. Theorizing the textual differences between authentic and fictitious reviews Validation across positive， negative and moderate polarities[J]. Internet Research， 2017， 27（2）： 321-337.

[10] CHENG J J， YUN， BO S， et al. An epidemic model of rumor diffusion in online social networks[J]. The European Physical Journal. B， 2013， 86（1）： 1-7.

[11]王颖晖，刘西林.基于Bass模型的竞争产品市场扩散研究[J].西安电子科技大学学报（社会科学版）， 2006，16（4）：11-15.

[12]王长峰，庄文英，于长钺.基于改进SIR模型的群体意见竞争演化研究[J].情报杂志， 2017， 36（10）：97-103， 136.

[13]方薇，何留进，孙凯，等.采用元胞自动机的网络舆情传播模型研究[J].计算机应用， 2010，30（3）：751-755.

[14]钟琪，戚巍，张乐. Lotka-Volterra系统下的社会型危机信息扩散模型[J].系统工程理论与实践， 2012， 32（1）：104-110.

[15]刘咏梅，彭琳，赵振军.基于Lotka-Volterra的微博谣言事件演进分析[J].情报杂志， 2013，32（11）：110-116.

[16]张亮，任立肖，姚伟.食品安全网络舆论竞争传播分析[J].食品研究与开发， 2014，35（18）：189-191， 192.

[17]霍良安.突发事件发生后不实信息的传播问题研究[D].上海：上海交通大学， 2012.

[18]熊熊，张维，李帅，等.基于Lotka-Volterra模型的股指期货市场竞争分析[J].系统工程学报， 2009， 24（5）：581-588.

[19]赵旭，高苏红，周巧琳，等. 21世纪海上丝绸之路沿线港口体系演化研究——基于Logistics、Lotka-Volterra模型[J].运筹与管理， 2018， 27（8）：172-181.

[20]邓胜利，付少雄.社交媒体附加信息对用户信任与分享健康类谣言的影响分析[J].情报科学， 2018，36（3）：51-57.

[21] REGESTER M， LARKIN J. Risk Issues and Crisis Management[M]. London： Kogan Page Publishers， 2002：36

[22]葛涛.群体智慧抑制社交媒体不实信息传播的机理研究[D].上海：上海工程技术大学， 2016.

Research on the Evolution of Multi-Type Information Competition in Social Media Under Negative News Events of Enterprises

RUAN Wencui，XIA Zhijie，WANG Jiahui（ School of Administration， Shanghai University of Engineering Science， Shanghai 201620， China ）

Abstract： To discuss the rules of competition and dissemination of multiple types of information generated by social media platform after the outbreak of negative news will help enterprises cope with negative news. After the outbreak of negative news， social media platforms produce false news， uncertain news information and real news information. Based on the ecological population theory， the Lotka-Volterra model of biological population competition was introduced to describe the dynamic competition process among the three groups， and the simulation and empirical analysis were carried out. Uncertain news information and the competition coefficient of real news information on false news affect the existence of false news； The balance of the three kinds of news and information is only related to the competition coefficient among them. The inflection points of three kinds of information propagation are affected by competition coefficient， information diffusion rate and initial value of information.

Keywords： fake news；competition to spread；Lotka-Volterra model；Gray estimate