突发事件中社交媒体用户黏性与情感负荷对信息共生行为影响研究

阳长征

（西安交通大学新闻与新媒体学院，西安 710049）

1 引言

近年来，以互联网为代表的各种新媒体的不断涌现，极大地改变了人们的信息传播方式。其中，社交网络媒体是当下人们热捧不疲的一种重要的网络新媒体。然而，随着我国社会的转型和改革的不断深化，突发事件发生的频率不断上升。在事件突发后，人们由于无法获得事件的确切信息，容易产生从众效应，导致信息级联，形成用户对信息的共生行为。1879年，德巴里（Anton de Bary）将共生定义为两种不同生物之间长期相互作用、共同生存。随后，共生则有了更为普遍的定义，即共生是指所有成员通过某种互利机制，有机地组合在一起，共同生存发展，从而使其行为效果产生“1+1＞2”的整体效应。这就意味着其中的个体彼此依赖生存，或者在本可以独立生活而选择相互依存，这是一种普遍的生物行为现象，既存在于自然界，也存在于人类社会。关于“共生”现象和理论的研究，已由生物学领域逐渐渗入和延伸至社会学、管理学等诸多领域。其中，在信息行为学中，信息共生是指用户群体、信息共变机制与环境协同共同作用的结果，使得信息共生后的整体能量大于个体信息能量的总和。

一方面，信息行为的从众效应指出在特定群体中，其成员因为受到群体压力而隐藏自己的真实想法，刻意保持与群体多数成员一致性的态度和信息行为。在网络信息传播中，当用户群体从众心理较强时，该群体中的信息集中性越大、离散程度越低，则更易于产生信息共生现象。而用户信息从众行为常常受到人们所处情境因素的影响，当情境赋予个体情感压力越大时，则越易于产生信息从众心理，从而在群体中出现信息共生现象的可能性越高[1]。另一方面，复杂信息网络是由大量节点构成的一种拓扑结构，其中各节点代表个人或组织，不同拓扑结构代表不同的社会关系网络，当节点结构分布具有集群特征时，则该网络结构中的信息流动会出现共生现象。在社交媒体中，信息共生行为通常可引起用户对话题讨论的集中性，并形成用户群体集聚。对于一般信息而言，信息共生行为可增强用户间持续性关系的强度，并带来知识的创新，通常不会导致临时性关系的建构和社会负面冲击效应的产生。而针对突发事件，事件作为公众讨论话题的焦点，当信息出现共生时，可聚变生成新的共生能量，且用户可通过共变适应、相互协同，推进信息在共同适应和互惠受益中传播，使危机信息的扩散能力以及负面影响大幅提高。同时，信息共生作为群体性行为，可引起人们对事件的认知偏离事件的客观真实，进而影响突发事件网络舆情的走向和健康发展，并直接对社会稳定和公众心理造成严重负面影响。因此，在此背景下，本文研究突发事件中社交媒体用户信息共生行为的影响机制，对危机信息的管控和治理具有重要意义。

然而，关于突发事件信息共生行为的形成过程，一方面，从众理论强调，个体在受到外部群体引导或压力的作用下，可导致人们出现从众心理，从而迟疑和改变其自身原有的看法和判断，以保持与多数群体成员相一致的观点、判断及行为[2]。而情感负荷是指用户与信息交互过程中存在不确定性，并伴随时间压力而形成的压抑性情感[3]。其中，用户在信息行为过程中主要具有刺激、焦虑、沮丧和愤怒四种较为典型的不确定性情绪[4]。当突发事件产生后，由于用户在信息交互过程中伴随时间压力而出现的不确定性，可产生用户的情感负荷，并引起用户的从众心理，进而在用户群体中出现信息共生行为[5]。另一方面，用户黏性是指个体对产品或服务的忠诚、信任和良性体验而产生的依赖性及再使用期望度。具有黏性的媒体用户表现为用户返回媒体平台行为的频率增高、访问时间变长，且具有持续使用该媒体的特征[6]。因用户黏性而产生对媒体的依赖性及持续使用行为，则可增强媒体中用户群体间的人际关系强度与信任度。然而，用户群体间的人际关系与高信任度作为社交媒体信息共生行为的重要影响因素，可增进社交媒体用户信息共生行为的产生。因此，突发事件中，社交媒体用户黏性与情感负荷可对信息共生行为产生重要影响，本文选择研究三者变量关系及影响，对政府部门和媒体机构在突发事件信息管控和治理方面均具有重要意义。

在此背景下，本文主要研究了突发事件中用户黏性、情感负荷及信息共生之间的内生影响，探索了突发事件中社交媒体用户黏性、情感负荷及信息共生间的脉冲响应效应及边际影响力；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。

2 文献综述

为了深入了解网络用户黏性、情感负荷及信息共生之间的影响机理，国内外学者针对该主题从不同的视角进行了研究和探讨。

2.1 信息共生行为研究

国内外关于信息共生行为的研究较少，其中，目前，国内关于信息共生行为的研究主要针对信息共生的影响因素及影响路径而展开。例如，董健等[7]通过捕获社交网络数据，发现信息共生大小分布遵循胖尾分布，信息的吸引力和影响力对共生大小分布具有重要影响。蔡国永等[8]通过对新浪微博的分析，将信息传播的共生模型引入标记传播树（label propagation tree，LPT），构建了一种“标签共生传 播 树（labeled cascade propagation tree，CALPT）”的信息共生模型。邓卫华等[9]研究了一个新浪虚拟社区中负面信息的从众行为，研究结果表明，负面信息的扩散会受到用户在其中形成共生的深度和广度的影响。

国外的相关研究，有部分学者主要从信息共生的过程进行探讨。例如，Kaneko[10]研究了混沌网络中信息共生的过程。研究结果表明，在部分有序的状态下，簇的分裂和信息共生是同步平衡的，并在分叉参数的间隔内保持了边际稳定性。也有部分学者对信息共生的形成机理及演化机制进行探索。例如，Kim等[11]探讨了中心性对社交网络决策的社会影响，以及中心性如何导致网络信息共生行为，研究发现，特征向量中心性与用户信息共生行为在统计上存在显著相关，并指出在扩散初期，中心性的错误决策会严重导致信息共生，在共生过程中，中心性的桥梁作用比其在关键位置的作用更具影响力。Zhang等[12]指出，网络中存在共生效应，且不同的网络可呈现强共生或弱共生效应，而由属于BA变体的著名随机演化模型生成的所有网络均显示强共生效应。因此，具有强共生效应的网络存在开发BA变体的合理性和可能性；而弱的共生效应则表明使用BA模型的变体难以再现进化过程的合理性，甚至不可行。

2.2 用户黏性对行为的影响

国内关于用户黏性的研究，主要集中于其影响因素及形成过程层面。例如，陈晔等[13]引入自我建构理论，探讨旅游虚拟社区用户黏性与分享行为之间的关系。研究发现，用户黏性对分享行为具有显著正向影响，相依型自我对黏性与分享行为的关系具有显著正向调节作用。鄢慧丽等[14]在TAM（technology acceptance model）和ECM（expectation-confirmation model）基础上，引入营销活动、转换成本和网络舆论三个影响变量。研究表明，营销活动、技术接受、期望认同与转换成本对用户黏性均具有显著的正向影响，负面舆论在期望认同与用户黏性之间具有负向调节作用。赵青等[15]指出，网络黏性行为是一种以重复、持续使用网络产品和服务，且具有一定心理依赖特征的行为。运用探索性因子分析和验证性因子分析工具，构建了包含十一个题目四个维度的网络用户黏性测评指标体系，并确定了不同程度黏性人群的划分标准。党伊玮等[16]在抗拒理论的基础上，探讨了感知侵扰和自由威胁对用户黏性的影响，发现沉浸体验能有效提高用户黏性。国外的相关研究主要集中于用户黏性的形成机理及影响机制方面。例如，Huang等[17]指出，大量团购网站之间的激烈竞争导致更高的产品同质性，这使客户可以轻松地切换到其他网站，并降低其网站的黏性和忠诚度。其中，系统质量、信息质量、服务质量和替代系统质量均对用户黏性与用户忠诚度呈正比关系，用户的黏性和忠诚度与消费者的回购意向具有正向关系。Xu等[18]指出，统计数据表明，与中国其他类型的媒体网站相比，主流媒体网站的平均用户黏性较低。为了深入了解该现象，构建了模型来检查各种网站属性对用户黏性的影响，研究结果发现，媒体网站的属性和用户特征对用户黏性的影响存在差异。Rong等[19]探索了在线视频行业中用户黏性的决定因素，发现可分配性资源对于用户黏性至关重要，而价格并不是影响用户黏性的重要因素。Kim等[20]使用一项美国智能手机用户的在线调查数据来检验其所提出的模型，研究发现用户对移动应用程序特性的感知，以及感知的普遍性、感知的信息性和感知的个性化，与移动应用程序的有效性具有正相关关系，从而导致黏性增加了积极的WOM（word of mouth）意图。

2.3 情感负荷对行为的影响

目前，国内关于情感负荷的研究仍然较少，主要集中在情感负荷的定义和测量方面。例如，黄崑等[21]通过文献调研与分析，追溯情感负荷理论提出的背景，分析了该理论的形成发展过程。情感负荷理论是综合认知科学、情感神经科学、情感控制论和情感计算等多学科思想，情感负荷是一种消极的情绪，主要是刺激、焦虑、挫折和愤怒四种消极情绪随着时间压力而产生的一种不确定性。国外关于情感负荷的研究主要集中于情感负荷的影响、具体形成机理及影响效应方面。例如，Nahl[22]指出，人们会不断地产生信息需求，其中，紧急的、持久的和长期的信息需求与情感负荷强度相关，会引起如急躁、生气、焦虑和沮丧等情绪。当特定的信息需求没能获得满足时，情感参与会导致其情感负荷的增加。Çetin等[23]指出，情感是人类行为的重要组成部分，近年来，人们对认知负荷的兴趣日益浓厚，但情感负荷的影响及其与心理功能的关系并未引起人们的足够重视。针对学生对图书馆数据库的使用情况，研究发现较高的情感负荷与数据库关注难度存在关联，可以查明挫折或情感负荷增加的具体位置。Nahl[24]研究了情感变量在信息行为中的存在和影响，并指出情感负荷是由不确定性和恐惧心理组成的复合变量，存在于各种复杂的信息任务中。通常认知评估得分低的人，情感负荷更高。较高的应对能力提供了显著的情感优势，表现为更高乐观、更强的自我效能感、更低的不确定性、更高的系统支持和接受度，从而用户产生更低的情感负荷。Nahl[25]引入并定义了情感负荷的概念，并指出情感变量包括信息需求、偏好、态度、任务动机、不确定性、自我效能、满意度以及对系统的忠诚度，这些情感变量之间存在动态和连贯的相互作用，可以应对和减少搜索过程中不确定性、沮丧、焦虑、刺激和愤怒的负面影响，以减少用户情感负荷。

综合上述文献分析，一方面，过去的研究主要集中于用户黏性、情感负荷和共生效应单变量特征与属性的研究，而尚未存在用户黏性、情感负荷及信息共生间关系的研究，这给本文对突发事件中社交媒体用户黏性、情感负荷及信息共生之间的影响研究留下了空间。另一方面，过去虽零散存在关于变量间影响效应的研究，但尚未涉及采用从过程的动态视角，诸如对变量间的脉冲响应及边际影响力进行分析，而进行边际效应分析，则可以寻找到情感引导、共生监控和偏差纠正的最佳“投入-产出”效率的应对策略。因此，本文将用户黏性、情感负荷及信息共生置于同一理论框架下，作为系统结构进行模型建构，分析内生变量间的脉冲响应和边际影响力，并研究各变量间影响效应在不同人口统计学群体间的差异性。

3 理论模型

向量自回归（vector autoregression,VAR）是用以对多维时间序列中的一变量对另一变量动态影响分析的一种时滞性方法，是以每个变量的滞后项作为其他变量函数的自变量来建立模型，从而实现对变量间的相互扰动分析。

首先，本文将用户黏性、情感负荷及信息共生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。其模型为

其中，sym为信息共生；load为情感负荷；stic为用户黏性；k为内生变量滞后阶数；εi为随机误差项。

在此基础上，对VAR模型中的用户黏性、情感负荷及信息共生之间脉冲响应（impulse response，ⅠR）进行分析，其脉冲响应结构如下：

其中，q=0,1,2,…;t=1,2,…,T；；表示εt协方差矩阵∑上的第j列元素；εt来 自yvariable,t=Φ1yvariable,t-1+…+Φ1yvariable,t-p+εvariable,t中的扰动列向量εvariable,t；Φi为系数矩阵，p为滞后阶数。

同时，为了分析VAR模型中用户黏性、情感负荷及信息共生变量间结构性冲击对特定内生变量变化贡献率（relative variance contribution，RVC），需对脉冲进行方差分解：

其中，j为对应的各影响因素；s为q的有限项取值；，q=0,1,2,…，t=1,2,…,T;。

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（state space model，SSM）。测量方程：

状态方程：

其中，测量方程中的解释变量为经协整检验后处于长期均衡关系的滞后第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，本文构建了面板数据模型：

并根据

与

的统计值，以确定理论模型是随机效应还是固定效应，是变截距模型还是变系数模型。

4 变量与数据

4.1 变量说明

本文对变量的测量主要是根据过去相关研究中建构的变量测量模型，并结合本文具体研究的内容和特征，通过对过去测量模型的结构调整、参数设置及关系重构，从而形成本文所研究的变量测量模型。由于测量模型主要基于过去已检验和运用的成熟模型，且又结合了本文的研究具体内容和需要进行了调整和改进，因此，能保障研究变量测量的效度和信度，从而保证结论的正确性和准确性。

信息共生：是指用户群体、信息共变机制与环境协同共同作用的结果，使得信息共生后的整体能量大于个体信息能量的总和。即所有成员通过某些互利机制，有机地组合在一起，共同生存发展，从而使信息传播效果产生“1+1＞2”的整体效应。该变量的测量主要采用认知词典、语义规则及机器学习方法，结合卷积神经网络（convolutional neural networks，CNN）模型对突发事件信息共生行为中的字符进行识别、提取he分类，并标注生成信息关联度序列。同时，运用循环神经网络（recurrent neural network，RNN）模型及贝叶斯神经网络对信息共生中的信息词汇进行扩展计算，形成信息的语义共变系数、情感共变系数、网络节点关联系数和信息流动共变系数，从而计算信息共生系数。

在突发事件中，针对某一时间节点，根据信息概率论理论，语义共生系数可计算为Cov(w1,w2)=。其中，C1与C2是语义分类系统中的类；w1∈C1；w2∈C2；C0为C1与C2共同蕴含（least common subsume）。情感共变系数、网络节点关联系数及信息流动共变系数分别表示为

与

那么信息共生采用

情感负荷：是指用户与信息交互过程中存在不确定性，并伴随时间压力而形成的压抑性情感。其中，用户在信息行为过程中存在刺激（irritation）、焦虑（anxiety）、沮丧（frustration）和愤怒（rage）四种较为典型的不确定性情绪。具体而言，情感负荷可通过这四种情绪的测量值总和乘以时间压力值进行测量，计算公式为AL=U[irritation+anxiety+frustration+rage]×TP；并且，Berger等[27]从操作化水平方面给出了式中的U、TP测量维度。U（uncertainty）表示信息检索中的不确定性，不确定性越强烈，情绪消极程度也越高；TP（time pressure）是指时间压力，借鉴了信息系统关于TP的提法，指出TP是检索任务开始前，用户对时间长度的期望与检索任务结束后对时间长度之差[28]。在基于主题的细粒度文本情感分析中，主题词和情感词是由基于词典嵌入的BⅠ-LSTM-CRF字抽取模型抽取出来，并在抽取后使用RP分层匹配策略获得符合匹配要求的“主题词-情感词”。对于符合要求的“主题词-情感词”作出相应的情感分析即可获得“主题词-情感词-情感倾向”三元组，这也是基于主题的细粒度文本情感分析的最终结果[29]。

首先，通过输入观察序列，即经过分词处理的评论文本X={x1,x2,x3,…,xn}，计算出所有可能状态序列的条件概率Y={y1,y2,y3,…,yn}，并将最大概率作为序列的输出状态，

其中，Z(x)是归一化因子，

是所有可能状态的条件概率之和[30]。使用朴素贝叶斯思想，对于情感集合中的某一种情感e，从词粒度计算某条文本属于某个情感类别的概率P(e|t)=，其中P(e)是任何一个文本属于情感e的先验概率分布。P(t|e)可进一步拆解为词粒度情感计算，其中，W表示词汇表中的所有词，nume(x)表示词汇x出现在类别e中的次数[31]。将上述计算的irritation、anxiety、frustration及rage的 情 感 值 代 入AL=U[irritation+anxiety+frustration+rage]×TP中，即可计算出情感负荷值，其中tdistance表示两次情感负荷测量时间节点之间的时间距离。

用户黏性：是指个体对产品或服务的忠诚、信任及良性体验而产生的依赖性和再使用期望的程度。具有黏性的媒体用户表现为用户返回媒体平台行为的频率增高、访问时间变长，且具有持续使用该媒体的特征。赵青等[32]提出可采取用户对媒体持续使用时间、频率和深度三个指标对用户黏性进行测量。Danaher等[33]认为黏性可以借助用户点击网页数量进行测量。Kim等[34]认为用户黏性体现在用户对媒体的亲身体验上，可采用点击数据衡量用户黏性。总体而言，用户媒介持续使用时间、使用频率和使用深度三项指标多为后来学者在研究中所采用。因此，本文构建了用户黏性算式：

其中，α+β+γ=1；S(xi)表示第i个样本的用户黏性；Hi表示用户i平均每天使用社交媒体的时间长度；Ni表示用户i平均每天使用社交媒体的频次；为用户i平均每天使用社交媒体的频次对样本总体的标准化函数数值，表示用户媒介使用的深度；表示样本用户对社交媒体的使用频率均值；Si表示用户对社交媒体的使用频率样本标准差；表示用户i平均每天持续使用社交媒体的时间长度比值；表示用户i平均每次持续使用社交媒体的时间长度比值；α、β和γ分别表示每天持续使用时间比值、每次使用时间长度比值和使用频率系数对应的权重。

4.2 数据收集

4.2.1 事件样本选取

通过对2015—2020年我国所发生的突发事件进行梳理和分析，以知名度、媒体报道程度、危机关注度、危机持续性、危机影响力和危机破坏力6个维度作为选择标准[35]，结合中央编办国家事业单位“舆情战略研究中心”历年发布的典型突发事件进行综合考量，最终确定选择11个具有代表性的突发事件作为研究样本，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。一方面，由于所选突发事件的综合影响力较大，且均为人们日常生活所接触、所涉及的领域，均为公众所熟悉，并与公众具有较高关联性，因此，公众在事件上的参与程度整体上相对较高，从而可提高数据获取的效率和数据的有效性；另一方面，由于所选突发事件具有不同性质，涉及教育、卫生和安全等不同主题，而不同主题的突发事件在信息共生行为演化周期上存在一定差异，如有的突发事件信息共生行为演化周期较短，有的则较长。为了保障数据获取时间长度的有效性，保证不同主题和不同性质的突发事件信息共生行为在不同时间节点基本处于同一阶段或同一生命周期，因此，在样本选取过程中，本文考虑了事件性质、事件重要性、涉及面等维度，并侧重于具有“特定”性质的突发事件，而不将具有“长期性”社会问题的事件纳入其中，这为了保证事件信息共生行为的发展、高潮和衰退周期长度的差异性较小，并降低数据有效时长可能出现差异化和行为周期不齐的情况。样本分布特征如表1所示。

表1 突发事件样本分布特征

4.2.2 数据获取

当前，国内较为成熟的微博平台主要有新浪微博、网易微博、搜狐微博和腾讯微博。其中，新浪微博是当前运营最成功，使用规模、访问量、注册数及使用率均为最大的微博平台。2019年8月，中国互联网络信息中心（ChinaⅠnternet NetworkⅠnformation Center，CNNⅠC）发布的第44次《中国互联网络发展状况统计报告》显示，自2013年开始，搜狐、网易、腾讯等公司对微博投入力度陆续减少，微博整体市场进入洗牌期。截至2015年6月，微博市场品牌竞争格局已经明朗，用户逐渐向新浪微博迁移和集中。其中，新浪微博用户占69.4%，一至五级城市的新浪微博使用率均在65%以上，全面超越其他微博运营商，新浪微博一家独大的格局已经基本确立和稳定。

本研究采用网络爬虫技术对样本数据进行采集。在其数据抓取过程中，首先，需要将站点中某一组需要访问的URL（uniform resource locator，统一资源定位符）设置为爬行起始地址，采用广度优先爬行策略对每个URL指向的页面信息进行抓取，并对页面中的内容进行解析；然后，继续抽取下一个链接的URL进行页面爬取和解析，依次反复爬行，直至程序运行结束，从而实现对网络平台的相关页面信息进行抓取。

综合考虑各突发事件样本信息传播过程的有效时长，确定对各样本事件信息共生行为的跟踪时间为21天。在数据搜集过程中，为了数据整理和表达的方便，本文对所获取的数据进行了统一的编号处理，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54793条，最后形成包含用户黏性系数、情感负荷系数及信息共生系数三个变量的面板大数据。关于信息共生（sym）、用户黏性（stic）与情感负荷（load）的描述性分析结果以及正态分布检验结果如图1所示。

图1描述性分析结果显示，sym、stic与load序列的均值分布为0.195、0.448与0.337，其正态分布检验结果显示，各变量的峰度及联合检验的p值均小于0.05的显著水平。因此，可拒绝样本数据服从正态分布的原假设，即认为样本数据不具有正态分布特征，故后续相关模型的构建将采用非正态分布数据的模型估计方法进行数据处理和分析。

图1 描述性分析及正态分布检验

5 整体效应分析

5.1 VAR模型估计

在进行VAR模型构建前，本文需要进行Granger因果关系及稳定性检验，以确定一组时间序列是否为另一组时间序列的原因，以及VAR模型在参数和结构设定上的正确性。对模型中的变量结构进行识别和检验，分析信息共生、情感负荷及用户黏性之间是否存在显著性Granger因果关系，以确定VAR模型结构设定是否合理。对应的Granger因果检验结果如表2所示。

表2 Granger因果关系检验

由表2可见，在信息共生、用户黏性及情感负荷之间的因果关系的排除检验中，各变量及两两变量联合项的χ2检验对应的p值均小于0.05的显著水平，可以拒绝不存在因果关系的原假设，表示信息化水平、产业集聚及创新绩效相互间存在因果关系。因此，在VAR模型构建中，本文将信息共生、用户黏性及情感负荷作为内生变量的变量设置是合理有效的。

在Granger因果关系检验的基础上，根据LR检验，以及FPE、AⅠC、SC、HQ信息准则最小化的标准，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3所示。

由表3可知，VAR模型的三个方程中各项系数显著性检验的|t|值均大于0.05显著水平对应的临界值1.96。同时，可决系数R2值均大于0.90，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共生、用户黏性及情感负荷之间动态影响的相关分析。

5.2 脉冲响应

脉冲响应函数（impulse response function，ⅠRF）是用来分析VAR模型的一种方法，对模型中的每个变量间受到外界冲击时，其他各变量对该冲击所做的响应情况，包括响应的大小、响应滞后长度、响应的变化过程等内容。为了揭示用户黏性、情感负荷及信息共生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、信息流动及认知偏向进行脉冲响应分析。对应分析结果如图2所示。

表3 VAR模型参数估计结果

图2 脉冲响应分析

由图2可知，在第一行脉冲图中，当信息共生、用户黏性及情感负荷受到一个正向冲击时，信息共生迅速产生自相关冲击，用户黏性及情感负荷的每次冲击带来的影响并非迅速传导至信息共生，而是在滞后第三至八期影响效应达到正向最大值，随后呈逐渐减弱的趋势，在整个过程中均呈现右偏态分布特征。其中，情感负荷影响效应最大，且较大值持续的时间最长；用户黏性冲击和信息共生自相关效应也较大。在第二行脉冲图中，用户黏性的自相关效应和信息共生的冲击对用户黏性均迅速产生影响，且影响效应均为较大的正向波动，情感负荷冲击的影响并非迅速传导至用户黏性。其中，情感负荷的影响效应最大，信息共生与用户黏性自相关效应的冲击均较大。在第三行脉冲图中，用户黏性冲击和情感负荷自相关效应对情感负荷均迅速产生正向影响，且影响效应均较大；而信息共生的冲击并未迅速对情感负荷产生影响。其中，情感负荷自相关效应的影响最大，信息共生与用户黏性的冲击均较大。

关于用户黏性、情感负荷及信息共生之间存在滞后脉冲影响效应，在突发事件网络信息传播中，当用户黏性和情感负荷较大时，用户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负荷，从而可产生较强的群体成员关系，并易于形成认知接近的大量内群体。在内群体中，成员会感到自己与群体的关系十分密切，并对群体具有强烈的归属感。成员经由所属群体获得其相应的利益和感知，并对所属群体持有亲切、安全、认同、热爱和忠诚等情感，个体需遵守群体的规范、价值观念等。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，个人都倾向于与所属群体保持一致。因此，用户黏性和情感负荷易于形成群体成员的从众效应，进而形成信息共生。同时，当突发事件产生后，由于用户在信息交互过程中伴随时间压力而出现的不确定性，可产生用户情感负荷，个体的有限理性可引起用户的从众心理，进而在用户群体中出现信息共生行为。

5.3 贡献率分解

为了比较用户黏性、情感负荷及信息共生相互扰动效应的大小，从而识别出不同影响因素对用户黏性、情感负荷及信息共生影响的重要程度，需在上述各影响因素动态扰动特征分析的基础上，分别对各影响因素的波动贡献率进行方差分解，具体结果如图3所示。

图3 方差分解分析

由图3可知，在信息共生方差分解中，前六期的信息共生自相关的影响较大且快速下降，情感负荷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，用户黏性在整个过程中对波动的贡献率较小。对于整个过程，情感负荷对信息共生波动的贡献率约为61%，信息共生自相关效应约为30%，用户黏性影响效应约为9%。情感负荷对用户黏性波动的贡献率约为47%，用户黏性自相关效应约为27%，信息共生的影响效应约为26%。情感负荷自相关效应对情感负荷波动的贡献率约为65%，信息共生影响效应约为21%，用户黏性影响效应约为14%。

6 边际效应分析

6.1 边际影响力

在上述脉冲波动分析的基础上，为了进一步了解用户黏性、情感负荷及信息共生之间的边际影响力，本文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，揭示用户黏性、情感负荷及信息共生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4～图6所示。

图4显示，用户黏性与情感负荷对信息共生的边际影响力变化呈倒U形抛物线特征。其中，用户黏性对信息共生系数的边际影响力先快速上升、后缓慢下降。情感负荷对信息共生系数的边际影响力先波动上升、后快速下降。在事件演化过程中，情感负荷和用户黏性对信息共生的边际影响效应的均较大，且持续的时间均较长，约为八期。

图5显示，用户黏性与信息共生对情感负荷的边际影响力变化呈倒U形抛物线特征。其中，用户黏性对情感负荷系数的边际影响力先快速上升、后快速下降。信息共生对情感负荷系数的边际影响力也先快速上升、后缓慢下降。在事件演化过程中，用户黏性和信息共生对情感负荷的边际影响效应的均较大，且持续的时间均较长，约为十期。

图6显示，信息共生与情感负荷对用户黏性的边际影响力变化呈倒U形抛物线特征。其中，信息共生对用户黏性系数的边际影响力先下降，其后快速上升，最后缓慢下降的特征。情感负荷对用户黏性系数的边际影响力先下降至第二期，其后快速上升，最后缓慢下降。在事件演化过程中，情感负荷和信息共生对用户黏性的边际影响效应的均较大，且持续的时间均较长，约为六期，即第五至十期。

图4 信息共生边际影响分析

图5 情感负荷边际影响分析

图6 用户黏性边际影响分析

关于用户黏性、情感负荷及信息共生间的边际影响力呈现倒U形抛物线特征，即当边际影响力达到一定数值后，则呈递减特征。经济学中的效应理论指出，事物给人们带来的效用是个体对事物消费行为的一种心理感受，消费某种物品可为主体带来一种心理刺激，使其获得某方面的满足感或能带来某种积极反应。而边际效用递减规律强调，在消费初期，主体体验到的刺激较大，从而产生的满足感较强，并随着同一事物刺激的不断增加，个体在心理上的兴奋程度和满足感会随之逐渐增加，即随着消费数量的增加，其效用不断升高。但当该消费达到某一临界点时，随着消费数量的增加，其新增加的消费部分所带来的效用增长则呈逐渐减少趋势。因此，在网络用户对突发事件信息的消费（即获取、认知及分享等行为）过程中，随着时间的推移，当该消费增长到某临界点时，其边际效用则达到最大值，其后随着对信息消费的持续增加，用户获得的边际效用则会逐渐减小，从而相应的信息行为和认知行为出现减弱的特征，即呈现倒U形抛物线特征。

6.2 群组差异性

由于各类用户群体在社会角色和认知心理上的差异，从而导致不同性别、年龄和学历的群体在用户黏性、情感负荷及信息共生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，本文采用面板数据模型对数据进行拟合和分析。

根据样本数据计算出

与

的统计值，并查阅F分布表，结果如表4所示。在sym方程中，F2＞F2临界值，且F1＜F1临界值，故采用变截距模型能较好地对样本数据进行拟合。为了进一步判定该模型是随机效应还是固定效应，需要对模型进行Hausman检验。同时，Hausman检验结果显示，对应统计量大于0.05显著水平下的χ2临界值，可以拒绝随机效应模型中个体因素与自变量不相关的原假设，故应构建固定效应变截距模型。根据该方法，可判断load方程需采用固定效应变截距模型，stic方程需采用随机效应变系数模型。

本文使用Eviews 10.0计量软件对模型进行拟合，其拟合结果如表4所示。

表4 群组面板模型拟合结果

表4拟合结果显示，从纵向数据来看，根据各变量系数大小，对于信息共生方程，情感负荷变量的系数β1值呈现出大于用户黏性变量对应的系数γ1值，表明情感负荷对信息共生的影响效应大于用户黏性的影响效应。对于用户黏性方程，情感负荷变量的系数β2值呈现出大于信息共生变量对应的系数γ2值，表明情感负荷对用户黏性的影响效应大于信息共生的影响效应。对于情感负荷方程，用户黏性变量的系数β3值呈现大于信息共生变量对应的系数γ3值，表明用户黏性对情感负荷的影响效应大于信息共生的影响效应。

从横向数据来看，对于信息共生方程，根据各变量系数大小，通过比较情感负荷变量的系数β1值和用户黏性变量系数γ1值，结果显示：对于β1值和γ1值，在性别群组中，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；在学历群组中，小学及以下群组最大，中学群组较大，大学及以上群组最小。

在用户群组分析中，各影响效应存在人口统计学变量的差异性，该差异的产生主要原因可能是由于不同群体的社会特征和社会角色的差异性所导致。一般性信息行为理论指出，用户的不同职业和社会角色会对人们的信息行为产生重要的影响，这些因素在某种程度上培育了用户信息行为的不同特征。在性别上，两性除了受到生理差异的影响外，更大程度上受到社会文化性别差异的影响。群体在性别上的生理差异经由社会规范、社会制度力量的作用以及历代积淀的性别文化潜移默化的影响，从而形成了男女两性在信息加工模式和信息行为上的差异性。在用户年龄方面，年龄的大小通常体现了其在思维成熟度的差异性。同时，不同年龄阶段的群体扮演着不同的社会角色，承担着不同的社会责任，从而对不同年龄段个体的信息思维模式、认知方式以及行为特征产生重要影响。在用户文化程度方面，由于教育学习是人们通过后天努力来改变和重塑自己思维和认知方式的重要途径，高学历者通过对更多科学知识的学习和更多正式的训练，从而提高其对事物的认知和态度，相对于低学历者，高学历者对事物有着更审慎、更科学的思考和认知，使得不同学历的个体在对事物的认知、态度以及行为上通常具有不同程度的差异性。

7 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，该方法是通过给VAR模型的变量强加一个次序，并将所有影响变量的公共因素归结于VAR模型中第一次出现的变量上。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。两种方法的估计结果及差异性检验如表5所示。

表5 稳健性分析结果

在状态空间模型中，其算法包括“Marquardt”和“BHHH”估计方法。前文采用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Marquardt，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如表5所示。

根据表5稳健性分析结果，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和分析结果具有良好的稳健性。

8 结论与启示

通过2015—2020年发生的具有代表性的11个突发事件面板大数据，探索了用户黏性、情感负荷及信息共生之间动态影响，得出如下研究结论。

（1）当信息共生、用户黏性及情感负荷受到一个正向冲击时，信息共生迅速产生自相关冲击，并呈现负向增加。用户黏性和情感负荷的每次冲击带来的影响并非迅速传导至信息共生，在整个过程中均呈现右偏态分布特征。其中，情感负荷影响效应最大，且较大值持续的时间最长，用户黏性冲击和信息共生自相关效应均较大。用户黏性自相关效应和信息共生的冲击对用户黏性迅速产生影响，而情感负荷冲击的影响并非迅速传导至用户黏性。用户黏性冲击和情感负荷自相关效应均迅速对情感负荷产生正向影响，而信息共生的冲击并未迅速对情感负荷产生影响。

（2）在信息共生方差分解中，对于整个演化过程，情感负荷对信息共生波动的贡献率最大，信息共生自相关效应较大，用户黏性影响效应较小。在用户黏性方差分解中，情感负荷对用户黏性波动的贡献率最大，用户黏性自相关效应较大，信息共生的影响效应较小。在情感负荷方差分解中，情感负荷自相关效应对情感负荷波动的贡献率最大，信息共生影响效应较大，用户黏性影响效应较小。

（3）用户黏性与情感负荷对信息共生的边际影响力变化呈抛物线特征，情感负荷和用户黏性对信息共生的边际影响效应均较大，且持续的时间均较长。用户黏性与信息共生对情感负荷的边际影响力变化呈抛物线特征，用户黏性和信息共生对情感负荷的边际影响效应均较大，且持续的时间均较长。信息共生与情感负荷对用户黏性的边际影响力变化呈抛物线特征，情感负荷和信息共生对用户黏性的边际影响效应均较大，且持续的时间均较长。

（4）情感负荷对信息共生的影响效应大于用户黏性的影响效应，情感负荷对用户黏性的影响效应大于信息共生的影响效应，用户黏性对情感负荷的影响效应大于信息共生的影响效应。情感负荷和用户黏性对信息共生的影响，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。

关于用户黏性对用户信息共生行为具有滞后影响效应的研究结论，虽然过去未有与此相关的研究，但过去研究结论的推演或隐含的推论与本文的研究结论相吻合，可获得相关研究的支持。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加多样化的信息，刺激个体的想法使创新更加具有可能性，故在该类群体中不易产生从众效应，其信息共生性也越弱。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，那么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。由于人们习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较小，且信息多样化程度较低，其中多数信息具有相似性[36]。因此，当用户黏性较大时，人们易于产生信息从众心理，其信息共生性也越高。

关于情感负荷对用户信息共生行为具有滞后影响效应的研究结论，虽然过去未有与此相关的研究，但过去研究结论的推演或隐含的推论与本文的研究结论相吻合，可获得相关研究的支持。信息级联理论指出，人们在某些情境下，倾向于认为他人所提供的信息比自身以其他方式获取的信息更加具可信度和合理性，忽略自身所获得信息的可靠性，从而选择从众性地加入该类人群，并与所参照群体的认知保持一致[37]。其中，影响人们信息级联的一个重要因素为情感负荷，当个体存在较大情感负荷时，个体易受到外部群体的引导，导致人们的从众心理，从而迟疑和改变其自身原有的看法、判断和行为，以保持与多数群体成员相一致的看法、判断和行为，从而对事物易于产生信息共生行为[38]。

关于用户黏性、情感负荷与信息共生行为之间的边际影响随着时间的推移而存在规律性变化，且呈倒U形特征。虽然过去未有与此相关的研究，但过去研究结论的推演或隐含的推论与本文的研究结论相吻合，可获得相关研究的支持。解释水平理论认为，人们对心理距离较远的事物更倾向于采用高解释水平的核心、本质和去背景化的特征加以表征，而对心理距离较远的事物则倾向于采用低解释水平的次要、非本质和背景化的特征加以表征[39]。其中，心理距离会受到时间距离的影响，在突发事件中，时间距离越近，人们对事件的理解和接受程度的心理距离就越大；时间距离越远，人们对事件的理解和接受程度的心理距离就越小。而心理距离的大小差异直接影响着用户信息行为特征，因此，用户黏性、情感负荷与信息共生行为之间的边际影响会随着时间的推移而产生规律性变化。同时，精细化加工可能性模型指出，说服个人态度形成或改变的过程有两条路径：一条路径是个体会根据严谨的逻辑思路对信息深度加工的中心化路径；另一条路径是个体主要根据周围的环境特征或线索对信息浅层加工的边缘化路径[40]。然而，突发事件发生后，随着时间距离的不断增大，用户的心理距离逐渐变小，人们对信息的解释由高水平逐渐向低水平转化，采用的信息加工方式也由中心路径演变为边缘路径。而中心路径强化了用户网格式信息加工路径，边缘路径则强化了用户点控式信息加工路径，信息加工方式在从中心路径向边缘路径演化的过程中，导致了用户黏性、情感负荷与信息共生行为之间的边际影响随着时间的推移而呈现倒U形特征。

该研究结论对突发事件中用户信息共生行为的管控和治理具有启示意义。首先，由于用户黏性和情感负荷对信息共生的冲击影响效应较大，且情感负荷对信息共生的边际影响效应稍大于用户黏性的影响。因此，在信息共生行为的管控和治理过程中，应重点加强用户情感引导和情绪疏通工作，尤其在突发事件发生的初期是情绪引导和情感扩散控制的最佳时间。同时，降低因用户黏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的共生效应，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和信息共生现象的管控，及时抢占网络话语的主动权，降低用户认知偏差的产生和聚变。其次，由于情感负荷的自相关滞后效应和用户黏性的冲击对情感负荷存在显著影响，情感负荷冲击和用户黏性自相关效应对用户黏性存在显著影响。因此，通过对用户情感负荷的监管，既能减少用户信息共生，又能降低用户黏性的概率。同时，通过对用户黏性的管控，既能减少用户信息共生的负面效应，又能降低用户因情感负荷增大而引起情绪极化的风险。也就是说，通过对突发事件中用户情感负荷和用户黏性的管控，可较好地实现降低用户情感负荷、弱化用户黏性、降低用户信息共生三者之间的良性循环，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共生而引发舆情失控的风险。最后，由于情感负荷、用户黏性及信息共生之间相互影响效应在不同用户类型上存在差异，因此，在突发事件信息共生行为的治理过程中，对用户信息共生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、用户黏性管控及信息共生监控过程中，在性别方面，应加强对女性用户的重点监控；在年龄层面，应重点加强对29岁及以下用户的引导和监管，其次为30～49岁的用户。