2025最大项目舆情管理

2025第1章​​​​​​​​​​​​​第2章​​​​​​​​​​​​​​​​第3章​​​​​​​​​第4章​​​​​​​​​​​​​​​第5章​​​​​​​​​​​第6章​​​​​​​​​​​​​​​第7章​​​​​​​​​​​​​​​​​第8章“互联网+”​​​​​​​​​​​​​​​​第9章​​​​​​​第1章绪论随着信息化时代的来临，互联网的普及率日益提升，信息传播渠道变得更加丰富多元，信息传输效率也得到极大改善。中国互联网信息中心（）提供的数据显示，我国的网民总数量在2015年12月底时已增长到6.68亿人，互联网普及率已达47.9。其中，手机网民的规模也达到了5.57亿人，使用手机上网的人群比例达到了85.8发展成为影响面广泛的舆情，给项目信誉和政府公信力带来重大损害。因此，对重大项目舆情风险的特党中央、国务院对于舆情问题高度重视，通过多个文件、会议强调了舆情问题对于推动社会和谐、保持社会稳定、促进科学发展的重大意义。党的十八大报告明确指出要达权、参与权涉及人民群众切身利益的决策均要充分考虑群众意见。2014年的国务院政府工作报告也明确提出要建立健全重大决策的社会稳定风险评价机制与突发事件的应急管理机制。这些会议精神、政策文件、规章制度充分显示，社情民意问题已经受到了各级党委与政府的高度重视。关注重大项目的舆情风险问题，探索舆情风险与舆情信息传播之间的作用关系，寻找测定舆情风险大小的方法，分析项目舆情风险的演化机理以减少负面舆情带来的社会稳定问题，帮助政府有效提升治理舆情风险的能力，已变得十分迫切。第5章为基于网络结构重构的项目舆情风险演化分析。本章以较为宏观的网络拓扑结构分析为研究视角，借助复杂网络理论方法，通过无标度网络中的个基于模型与相关度模型，其节点度都符合幂律分布，节点度的网络拓扑结构具有无标度特性，比好地对现实情况进行描述。此外，两个模型除了在度分布、平均路径长度、聚类系数等方面存在差异外，吸引度模型在节点度分布指数的理论值方面，最小取值与最大取值均大于相关度模型，且度分布指数的波动范围也远大于相关度模型，说明吸引度模型节点间的差异性更加显著，其无标度特性也更加明显。第6章为基于个体观点交互的项目舆情风险演化分析。本章着重于用舆论动力学的相关理论、模型、假设来研究项目舆情风险演化中个体观点的交互情况，力图通过微观个体的互动来分析整个群体的舆情风险状况。本部分在un反映重大项目舆情风险传播中体现个体观点交互情况的舆论动力学模型。模型仿真结果显示，节点的个体观点值分布随着互信参数的变化出现了分裂化—极端化—统一化态势的相变，初始度分布满足幂律分布的不均匀网络经演化后网络异质性大大降低，网络中涌现出受互信参数密切影响的具有不同观点值的舆情派系结构，不同尺寸的网络系统中弛豫时间与互信参数则呈现出负相关关系。本章还对模型中融合参数是固定参数这一设定做了改进，在允许交互双方选择不同融合参数的基础上，通过仿真得到了观点分裂化、对立化、极端化、统一化等多种舆论演进的必然现象。融合参数的研究还表明，随着舆情主体间的信任水平的提高与固执己见的极端个体比例的减少，舆情风险呈现出由低到高到再降低的规律。第9第二，理论演绎法。理论演绎是从普遍性结论或一般性事理推导出个别性结论的论证方法。重大项目虽然在个体特征上具有各自的不同特征，但其舆情传播网络却有共同的社会网络属性。本书运用理论演绎法，基于各类重大项目舆情传播网络所共同具备的社会网络的相关属性，设计了个体网舆情风险与整体网舆情风险的计算方法，在型，在un模型的基础上构建了研究个体舆情观点交互的舆论动力学模型，开展了一系列的研究与分析。

图1-1本书研究架构第2章相关理论与文献综述人类对风险的关注由来已久，对风险正式界定最早可追溯至公元前916据可查的人类风险管理思想的起源。由于风险的类型及影响要素具有多样性，目前学术界对风险的定义还没有达成一致，学者们大多从管理学、保险学、经济学等学科范畴下对其进行定义，代表性观点归纳起来有如下几个：一种是损害的不确定性。损害的不确定性主要从经营角度出发，突出其经营过程或成果发生损害的可能性，此类定义典型的如风险是与损害相关的不确定性；一种是风险客观说与风险主观说。风险客观说以风险的客观存在性为假设前提，基于对风险影响因素的调查，借助统计与计量手段进行界定，强调对风险衡量要通过客观尺度与标准进行。风险主观说则突出损失的标准是具有一定主观性的观念，人们对风险事件的主观测度对损失的大小有重大影响，客观的标准虽然便于计量但有时会有失偏颇，不能仅仅以客观的标准来衡量风险。风险描述的方法也有很多种，从宏观上看，可以归为两大类：二维描述法与多维描述法。二维描述法又称概率分析法，该描述方法的前提是对风险因素发生可能性的认知。若用p来代表风险发生的可能性、来代表风险可能引致的损失，则风险R便可用以p与q为主要变量的函数来表示，即R=f（p，q）。（1996）认为，二维描述法存在的最大不足是其掩盖了一些其他的与风险相关的重要信息，如风险的变化性、风险的可预测性等，风险描述时还应综合考虑风险的其他方面。表2-1图2-1风险描述维度图2-2McKusker丁荣贵等（2008）从角色过程视角提出了项目治理统一过程模型，简称为4模型，具体如图23所示。该模型认为虽然不同的项目其管理任务千差万别，但其治理过程均可归结为四个统一的环节，它们分别为利益相关方需求挖掘与识别、项目治理角色分析与确定、项目治理风险识别与处理、利益相关方治理关系建立与维护。项目治理统一过程模型聚焦项目利益相关方参与项目管理的过程，该过程涵盖整个项目的生命周期，不同的项目利益相关方动态地进入与退出而保持持续迭代。他还收集了来自不同项目的治理数据，对概念模型进行了实证检验。王彦伟（2010）以项目治理的4化实现过程进行了研究。图2-3项目治理的统一过程模型项目治理风险主要是指项目治理的不确定问题。近年来，研究者们分别从治理关系、监督与协调机制等视角对项目治理风险进行了研究。nu（2006）据设计了涵盖项目绩效与风险关系的项目风险治理模型。他认为相比于常规的项目治理风险监控活动，长期可持续发展的利益相关方治理关系对降低治理风险显得更为重要。长期可持续发展的治理关系被该研究视为有效提升项目绩效、防控项目风险的重要手段，而项目治理风险则是指对长期可持续发展的治理关系的形成与维护产生阻碍的因素。年，国际风险管理理事会也首次对风险治理的概念、特征与作用开展了系统阐述。管理被治理非偶然，它是学术界与社会实践中风险管控观念与时俱进的集中体现。社会风险管理的重点正从灾害管理转移到灾害风险治理，从对危机管理的强调转移到对全面治理危机风险。此外，从风险管理到风险治理提法的转变，强调了对于社会风险的宏观管理、协调管理理念，即风险管控不仅需要通过技术工具实现，还需要艺术的管理策略配合。有效的风险治理，需要多部门合作与多学科整合，从而制定切实可行的风险治理政策。环境影响评价（EnvironmentalImpactAssessment，EIA）是20世纪60年代以来世界范围内逐步建立的保环境规划署定义策前完成。我国于1979年颁布了《中华人民共和国环境保护法》，其中第6条规定，在开展新建、改建与扩建工程时，必须出具环境影响评价书，经环保部门审查批准后方可能进行设计，这标志着我国环境影响评价制度的正式确立。自2003年开始，国家环境保护总局开始建立环境影响评价审查专家库，以加强对环境影响评价的技术审查。自2004年起，我国引入环境影响评价人员资格认证制度，并设立国家环境影响评价工程师资格考试，通过该考试的人员可获得环境影响评价工程师资质。以上情况说明，我国所开展项目环境评价工作，注重专家评价，公众参与评价被忽略，这成为与广大公众利益相关的项目危害因素未能得到有效识别与管控的重要原因。2000—2013年，我国每年平均开展建设项目的个数达到33.2万，执行率接近100项目评价的年均信访量达到70多万件，反映出广大群众权益与现行的项目环境评价机制间的矛盾未能得到有效协调，项目评价机制有待优化。生存环境与社会上每个公民的切身利益密切相关，重大公共项目建设时，公民的权利应包括参与权、知情权、侵害请求权等。自从环境影响评价制度建立时，公众参与就成为其中一项重要的环节，且贯穿其整个生命周期。公众参与机制是项目建设单位与公众之间的双向交流形式，它能够提升项目的社会接受性，从而改善环境影响评价的有效性，进而缓解社会冲突。我国属于国际上引入最早的国家之一，但公众参与评价的制度却没有得到应有的重视。以深圳市为例，2000—2004年共5年的抽样调查结果表明，78.93的项目环境评价报告书未涵盖公众参与内容。国家环保总局也意识到了这个问题，于2006年颁布了《环境影响评价公众参与暂行办法》，从此我国项目评价中的公众参与制度才逐渐迈入相对成熟的阶段，但因项目环评问题所导致的舆情问题仍呈现多发频发态势。陈强等（2007）从许多大型公共项目沦为豆腐渣工程或烂尾工程准与大规模看齐，再加上项目监管不力等因素，导致了很多大型公共项目的超前建设或浪费。这种现象的根源取决于项目评价导向的不合理，并没有将项目受益者满意列为主要的评价指标。王海政等（2006）针对公共项目评价存在的问题，提出应分别从利益相关方与项目自身等两大方面开展评价，将公平性、参与性与可持续等作为利益相关评价的指导原则，将效率与效益作为项目评价的指导原则等。总的来看，我国在项目评价的公众参与机制方面，还存在如下问题：首先，公众参与的范围较窄，公众的代表性不足。其次，公众参与前所得到的项目资料十分简略，做出准确合理的判断较为困难。最后，公众参与的意见在项目最终决策中的权重有限，甚至难以体现，政府意愿仍然居于支配地位。因此，欲改善此问题，必须改革政府投资项目评价机制的导向，扩大公众参与的范围，明确公众参与在项目决策中的价值，提高公众意见的权重，避免由政府遴选出来的少数专家评价所带来的精英意识对公众意见情字与舆字相结合，最初来源于《全唐诗》格论思名士，舆情渴直臣刚正不阿大臣的美好愿景。后来，舆情的用法逐渐普及，用来指代民众的情绪与意愿。一些字典与词典也对舆情做了收录与解读，《现代汉语词典》将舆情释义为民众的情绪与态度，而《辞海》则将舆情释为百姓的愿望。民意是另一个与舆情有很多共同点的概念。舆情的使用更加偏重书面化、小众化，而民意在媒体、图书、文章中则得到了更加广泛的应用。从字面意义上严格来看，舆情与民意十分类似，区别不大，都是“民众意愿的代名词。近现代以来，随着公共机构与企事业单位面向民众推出了许多形式多样的民意调查，民意的概念得到了更加普遍的推广。hnvn（1958）认为民意是某个国家的大多数民众经过实际了解或反省某件事后进行判断而形成的共识。nny（1965）则认为民意是某个群体对某个重要的社会事项，所表现的总体意见。综合学者们对民意内涵的不同看法，能够得到如下共同特征：首先，民意具有非官方色彩，是来自人民群众的观点集合；其次，民意表达的客体，往往是与民众切身利益相关的事物，这类事物容易引发民众的参与兴趣；再次，民意的表达方式具备多样性的特点；最后，民意的诉求对象往往是政府，很多民意问题的解决也都是在政府主导下完成的。在舆情风险的表现方面，张海波等（2009）从社会风险的视角出发研究了舆情风险，他认为互联网会导致四类重大的舆情风险，第一类是国家安全风险，第二类是技术风险，第三类是管理风险，第四类是社会治安与道德风险。王敏（2011）提出舆情风险主要体现在“情绪型弥漫话语权垄断”与“假新闻误导面。在经济上，负面信息传播的失控，会给某些产业带来重大冲击，严重破坏企业的公众形象，削减民众对于国民经济运行的信心。在政治上，谣言的传播会受到国内外反动势力的推波助澜，短时间之内爆炸式扩散，使负面消极情绪在公众中弥漫，严重威胁社会稳定。在文化上，极端化的负面舆情会埋没不同的声音，形成一家独大的现象，成为某些利益集团的扬声器，形成话语权垄断。托克维尔（2004）则认为舆情风险会在政治、经济、司法等方面有所体现，政治风险主要表现在社会动荡、裹挟民意等；经济风险主要表现在谣言企业衰落化、经济舆情中心化等；司法风险主要表现在网络暴力、网络审判等。多尝试与努力。nk（1970）为了将传播与其他类似概念进行区分，列示出了一系列有关传播的关键因认识，第二个层面为合乎规范的判断，第三个层面为传播过程的意图性。为了对新形势下的信息传播现象进行准确解读，传播学研究者们开发出了许多新的研究方法，典型的如“历时研究与共时研究”络内部的信息传播。为了弥补以上不足，学者们开始借鉴自然科学的方法来开展舆情传播问题研究，如张立（2009）复合型等。纪诗奇等（2014）ER随机图模型的数理定义如下：假设N为随机网络中的总节点数，任意两个节点进行连边的概率是固定的，记为p，而生成的随机网络记为G（N，p）。这样一来，整个网络中的节点相互连接的边数范围便为[0，N（N-1）/2]，同时每个节点的平均边数便是pN（N-1）/2。其中，有n。因此，根据不同的连边数目，一共可生成的不同随机网络的总数为2N（N-1）/2。随机图的节点度近似地服从oon分布。由于随机网络的聚类系数一般较小，而其平均路径的长度也较小，有时也被称为同质网络。do与ny所提出的随机图理论，在20论的位置，前后长达30多年。到了21世纪，计算机与信息技术取得长足进步，复杂网络的其他特征被研究者们逐步发现，现实中的网络与随机网络的匹配性遭到质疑，随机图的地位受到了挑战。和og于1998年提出的模型被简称为小世界模型，该模型是小世界网络的最初也是最基本模型，它的构造算法如下：①初始网络为节点规模为N的规则网络，每个节点与其最为接近的k连，连接边数为k。②改造规则网络，进行断边后随机重连。规则网络中的每条边都被断开，依概率p再与大的N与足够小的p时，可将NW网络模型与WS网络模型视为等价的。随着对小世界网络认识的不断加网络中某个节点所具有的连边数目，被称为其节点度。节点度是衡量节点属性的一个重要参数，而节点度分布则是衡量整个网络特性的重要指标。无论是随机网络，还是小世界网络，其网络中大多数节点的度值都在平均值附近，度值分布基本服从泊松分布。然而，现实中的网络并不都具有这样的特征，bi等（1999）对互联网、社交网络等网络进行动态演化分析后，认为幂律分布是现实网络中节点度分布的又一重要形式。在这种网络中，绝大多数节点的度数非常小且只有少量的节点度非常大，像互联网、舆情传播网之类的实际网络不适合用随机网络与小世界网络模型来描述。在此基础上，b与b提出了符合幂律分布的无标度网络模型。无标度主要是指网络中节点的度数并不适合用统一的标尺来衡量，标度网络模型在网络增长性与新加入节点择优连接机制方面进行了特别规定。BA网络中的节点度服从幂指数为3的幂律分布，公式为P（k）=2m2kγ。BA网络最为重要的特征之一与随机网络、规则网络和小世界网络不同，是固定的，而是会随着新节点的加入而逐步扩张。首创的规模扩张与新节点择优连接这两个重要标准，为复杂网络演化模型的相关研究奠定了良好的基础。虽然布的提出是无标度网络的一大创新，但该模型却将幂指数设定为固定值3，而现实网络中的幂指数有的并不是3。其次，模型假设新加入节点与网络中旧有节点间的进行线性连接，旧节点的度数决定了连接概率，而现实中很多网络的增长机制并非完全线性的。再次，模型假设新加入节点与网络中旧有节点间的连边数是一定的，未免过于简单，现实中新节点与原有节点的连边数往往会出现越来越多的情况。最后，聚基于以上所描述的等（2005）提出了非线性择优模型，nn等（2006）构建了随机游走模型，陈庆华等（2005）提出了对数增长模型，方锦清等（2007）提出了随机性择优与确定性择优相结合的模型。在舆情演化的研究方面，除了随着节点及连边数目的变化而出现的网络结构演化模型外，节点观点演化是另外一个重要的研究视角。许多学者从个体观点相互影响从而导致网络观点变化的角度进行了研究，主要研究成果集中在两个方面：一类是个体观点离散模型，该模型假设网络中各主体的意见是离散的，代表性的个体观点离散模型有nd情传播网络中的个体可以在区间0，1取任意值，代表性的个体观点连续模型主要包括H模型、un模型等。nd中的个体最初拥有两种观点，取值分别为1或。在随机抽取的个体与个体间进行交流时，若二者的观点值是相同的，则交互结果为二者坚持该共同观点；若二者观点恰好相反，则交叉说服对方同意己方观点。在nd模型演化完毕后，观点演化结果会出现极端化或统一化两种观点态势。王茹等（2008）对传统的小世界网络进行了推广，构建了基于二维nd网络结构对观点演化的影响，并得出断边再进行连接的可能性越大，则小世界网络中的舆论越易于统一的结论。田兴玲等（2006）关注了各种干扰因素对舆情意见演化所施加的影响。她认为，个体意见的改变不仅会受到与其交互的节点意见的影响，还会受到内外部干扰因素——噪声的干扰。她进一步论证了噪声因素对个体意见改变的影响程度，并认为在噪声的干扰下演化后的舆情意见不会呈现稳定状态。以un模型为例，该模型采用参数∈（0，1）代表网络中任意两个节点间的信任条件。处于某一社会网络中的每一个个体，都会随机选择网络中的另一个个体，然后对他们各自的舆论值进行比较，以判断二者之间是否足够信任对方从而具备进行舆论值交流的前提。张立等（2009）认为un任条件过于死板，与现实中的有关情况不符，于是他在修正模型时放松了对双方信任水平的限制，增加了个体对于自身意见的掌控度。un杂的，会受到多种因素的综合作用，尤其是会受到周围多个个体的影响。H模型针对个体观点形成较为复杂的特点，对un模型进行了修正。当模型中的某个个体需要进行观点交流时，模型会从整个网络中抽取满足信任条件的节点，并计算意见均值，用以作为该个体的最新意见值。oun（2005）以网络作为基础网络，在H模型中加入了有界信任因素对其进行了修正，论证了节点数目与信任条件临界值对舆情观点演化的影响。因此，在舆情意见演化中，信任水平及其临界值的设置就显得意义重大。李翔等社会网络分析近年来的广泛应用，在社会学甚至是人文社科领域掀起了一场革命。它很好地将定性分析与定量分析相结合，并整合出了完美的研究范式，为学者们分析社会现象中的结构、关系与属性问题提供了强大的分析工具。刘军（2004）认为，社会网络分析在认知视角、研究对象与研究技术上都做出了巨大的创新。n（2004）上。②针对社会行动者间的某种特定关系与结构开展研究。③应用统计技术、数学模型与计算机模拟。④对于图论语言和技术的依赖大大增强。在数学表达上，节点集合V（G）与连边集和E（G）组成图G。在图2-4中，点u和点v是相互邻接的，而u与w并不邻接；线x和y是相互邻接的，而x与z并不邻接。图2-4有邻接性的图在社会网络分析中，社群图就是有关社会网络的模型表达。一个社群图涵盖这样的内容：一方面为节点的集合Nn1，n2，…，nN，N为节点总数，可以记作V（G）；另一方面是线的集合Ll1，l2，…，lL}，L为边的总数，可以记作E（G）为简单图与复合图，简单图是指不包含环与重合边的图，复合图则是指除了简单图之外的图。完全图是一种特殊的简单图，在完全图中任意两个节点之间有且仅有一条边相连。图2-5有四个点的图中介与桥梁作用的连边，桥被删除后整体图也会被分割为若干个孤立的子图。割点与桥，如图2-6中的点n与连线n3n4图2-6割点与桥有向图是与无向图相对应的一个概念，用来表示网络中一些非对等以及具备明显方向的关系。与无向图不同的是，有向图D除了包含节点集V（D）、边集E（D）函数集合。有向图中的节点，无论处于边的尾部还是头部，都统称为边的端点。给定某个从u到v边，u被称为v的前驱，v被称为u的后继，表示为u→v，如图27所示。图2-7有向图图2-8有向数值图项目治理关系研究。oy（1997）对项目干系人在不同情境中的有利策略问题进行了分析。n（2009）提出项目的有效运营取决于相关资源的合理配置，而项目资源不是独立存在的，会融合、依附在某个利益相关方之上，通过研究利益相关方的社会关系结构便可以分析整个项目的资源运行情况。yk等（2006）揭示了社会网络分析在进行项目利益相关方关系与治理结构分析方面具有简洁形象的特点，并通过一系列的案例研究对该结论加以了论化分析工具UCINET6.0对建设项目中的治理关系进行了量化研究。为了更加科学有效地研究复杂系统问题，y .o于1956年开创了系统动力学（ymyn）这一系统研究方法。经过几十年的不断发展，它已成为解决复杂问题的有效工具之一，其理论与应用研究取得了长足进步。在其实际应用上，系统动力学已成为沟通自然科学与社会科学，分析经济、社会与生态等复杂大型系统的横向学科。从20世纪80年代开始，现代组织理论、现代控制理论、学习型组织理论等与系统动力学发生相互渗透，推动了系统动力学成长为研究复杂性问题的主流学派之一。研究复杂系统的基本结构问题，可以追溯到PeterSenge等人所提出的通用结构思想。PeterSenge通过对题的系统内部因果关系的结构来分析，可以归结为几类通用的结构，而这些结构则会在不同的研究对象系统、不同的区域内重复地出现。对这些定势结构进行总结与挖掘，可以帮助人类理解与掌握系统的基本结构与行为间的关系，有效地提升人们分析与预见问题的能力。基于此，rng提出了开展反馈分析的基模理论，即如果正反馈环、负反馈环与延迟是系统思考中的名词与动词，则系统基模可以被理解为基本句子或者常被复述的简单故事。系统基模指的是系统的基本模型，是对系统思考的先驱者们所提出的通用结构思想的继承与发展。表2-220世纪50年代至60年代为系统动力学的萌芽与诞生阶段，是其发展过程中第一个具有里程碑意义的阶段。麻省理工学院的or教授1958年发表的代表作《工业动力学——学的开山之作。稍后的1961年，or本原则与应用场景，多年以来一直被视为扛鼎之作。系统动力学获得了初步的运用，从民用到军用、从科研到城市规划、从能源管理到污染防治等领域均有所涉猎。1968年or中所提出的原理具有普世性并广泛地适用于系统预测与决策。1969年以后，or则》《城市动力学》与《世界动力学》三本巨作，从多个侧面对系统动力学的原理与应用领域作了补充说明，推动系统动力学逐渐成为帮助人们认识复杂系统运行规律的科学方法。点。or带领他的学生们先后建立了DⅡ模型，研究了世界范围内的工农业、能源、人口、污染等问题，并发表了以此为基础的《增长极限》与《趋向全球的平衡》两本巨作。or的系统动力学研究团队还进行了美国国家模型课题的研究，该模型探讨了通胀、就业、利率等问题，论证了美国经济增长的长效增长机制。这一时期，系统动力学在项目管理领域的具体应用也取得了新的突破，以oop（1980）进行的大型军事工程项目成本问题分析为主要应用标志，巩固了系统动力学在社会经济发展复杂系统分析中的应用价值。图2-9反馈环图2-10存量流量图系统动力学在人类生产生活的诸多领域得到了广泛的应用，从个人到机构、从科研到农业、从教育到健康等均有所涉及。在管理方面，从采购、生产、库存、销售、到人力资源等系统，都有所涉及。or（1961）存储模型、供需平衡模型、企业运营模型等一系列经典模型层出不穷。到了20世纪90年代以后，系统动力学方法在管理的各个分支领域得到了更加广泛与快速的应用。（1991）基于对企业组织结构变革的分析开发出了新的企业与市场匹配模型。hn等（1996）所构建的市场模型，分析了市场的动态结构及其对价格的影响机理。y等（2000）提出了信息动态反馈模型，用以提高企业内部运行效率。hy等（2006）测模型，并在不同类型的企业中取得了很好的应用效果。第3章重大项目舆情风险的形成机理与影响因素图3-1重大项目舆情风险的形成机理从20个世纪中叶开始，信息传播领域的有关问题逐渐成为学术界研究的热点问题，并产生了信息论等理论研究成果。od（1948）开创的5理论是最为经典的信息传播理论，5理论又称为信息传播的5W模式，即信息要通过内容（h）、信道（hnn）、信源（ho）、信宿（ho）、效果（）五个要素组成的基本过程来实现有效传播。5理论开启了信息研究的新时代，引发了信息研究的热潮，但该理论对信息传播的描述较为笼统，对于信息传播前提的论述也不充分，促使该领域的其他研究者们从多个角度对其开展了修正与补充。hnnon（1949）对信息传播5理论的修正较为著名，他将信息编码与解码补充进了信息传播模型，并认为这两个功能应通过信息发射器与接收器来完成。信息冗余以及信息熵也被hnnon引入到其新模型中，他认为二者的相互作用可以弱化信息传播中的噪声。u（1981）对模型中人与人之间的互动及反馈机制进行了改进，将人作为传播的核心，改变了信息传播的经典5模式将信息视为传播核心的假设，并在复杂性及动态性方面对信息传播模型进行了完善。H1H2H3H4H5H6以上述的研究假设H1～H6为基础，本部分梳理了项目舆情风险影响因素间的相互关系，并提出了重大图3-2表3-1表3-2在调查对象的性别分布方面，男性的比例占53.9，而女性的比例为46.1，这说明被调查的性别分布基本处于男女均衡状态。在调查对象的年龄分布方面，21～30岁的比例为43.9，31～40岁的比例为38.7，40岁以上的比例为11.9，这说明调查对象中21～40岁的中青年占主体地位。在调查对象的学历分布方面，高中及以下学历的比例为23.7，专科学历的比例为22.3，本科学历的比例为32.8以上学历的比例为21.2，可见专科以上学历层次的人占调查对象的主体地位，这说明本研究的调查对象普遍具有较高的学历。在调查对象的网龄方面，1年以下的所占比例为6.1，2～5年的比例为18.9，6～9年的为31.3，10年以上的为43.7，这说明绝大多数调查对象的网龄在6年以上，使用网络的经验较为丰富。在调查对象的日均上网时长分布方面，1小时以下的比例为13.9，2～5小时的比例为33.7，6～9小时的比例为31.5，超过10小时的比例为20.9，日均上网时长超过6小时的人所占比例共计52.4，这说明调查对象的网络依赖性程度普遍较高。具体情况请参见表33。表3-3在验证各类影响因素对项目舆情风险的作用关系之前，需要对研究量表进行信度分析，以保证研究的科学合理性（见表34）。在进行统计分析时，经常采用onbh 系数来对问卷各个指标间的一致性与定性开展测量。一般来说，onbh系数越大，样本的可信程度也就越大。具体来看，如果onbh系数介于0.80与0.90之间，则表明信度非常好；若onbh 系数处于0.70与0.80之间，表示信度较好；若onbh系数居于0.65与0.70之间，则说明信度仅在可以接受的范围内；若onbh系数低于0.65，则表明信度较低。本研究对研究量表进行信度检验时运用了p16.0软件，根据检验结果，舆情信息、舆情主体、传播方式、舆情受众、舆情风险五个变量的onbh 系数依次为0.862、0.836、0.798、0.786、0.813，全部高于数值为0.70的接受标准。另外，各个测量题项的得分平均值全部大于3.5，同时各变量与其测量题项间的相关系数全部大于0.76，这说明各个变量可以由测量题项作出合理全面的解释，研究量表具备了较高的一致性与可靠性。同时，本部分还进行了ongs2（p＜0.001）检验，以进一步确保量表信度符合研究要求，检验结果符合真分数测量理论的有关假设，这也佐证了量表具有良好信度这一判断。表3-4表3-5KMO验证性因子分析是针对调查数据开展的一种统计性分析，它测试一个因子及其对应的测量指标间的关系是否符合研究模型中设计的假设关系。结构方程模型（uulquonod）是一种多变量统计分析方法，主要通过考察变量协方差矩阵以测量变量与潜变量间假设关系，较为适合进行验证性因子分析。为了测量与验证重大项目舆情传播与舆情风险之间的关系，本书利用18.0软件进行了结构方程建模分析。研究假设1～6是建模的主要依据，模型中的外生性潜变量为舆情主体、舆情受众、舆情信息、传播方式等变量，模型中的内生性潜变量为舆情风险，各潜变量的测量指标分别设定为其观测变量，e1～e21代图3-3舆情传播与舆情风险的拟合路径表3-6表3-7注：***表示P＜0.01，**表示P＜0.05，*表示P＜0.1无模型间差异的比较。从绝对拟合度来看，根据表3-6中的拟合结果，χ2/df指标的值为1.165，在接受标准过。根据表3-6与表3-7的相关结果，C11代表了舆情信息对舆情主体的作用路径，C12代表了舆情信息对传二者全部在P=0.01的水平上显著，这表明了假设H1、H2成立。路径C11与路径C12C13代表了舆情信息对舆情受众的作用路径，其标准化路径系数仅为0.15，对应的C.R．值仅为1.19。然而，其没有能够通过显著性检验，P值仅为0.219，这表明假设H3并不成立。舆情信息对舆情受众发挥的影 成立，验证了项目舆情主体对舆情风险存在着显著的正向响。纵观舆情主体的所有观测变量，它们的负荷系数全部在0.01的水平上显著。其中，影响力这一观测变量的负荷系数值为0.62色。该结果启示我们，探索舆情主体的影响力的来源与作用方式，可以帮助制定有针对性的项目舆情风险治理对策。C22代表了传播方式对舆情风险的作用路径，其标准化路径系数及其对应的C.R．值分别为0.83与3.56，在P=0.01的水平上显著。该结果支持了假设H5正向影响，而且该变量是对舆情风险影响最大的因素。仅就舆情传播这个变量来看，在其所有的观测变量中，媒介影响力的负荷系数数值最大，为0.60介性质、演化度、扩散度等其他观测变量的负荷系数分别为0.53、0.51、0.43，均在0.01的水平上显著。该结果同时也表明，在所有的影响因素中，传播方式对舆情风险的影响作用最大。在当前互联网普及程度不断提高的背景下，为了降低舆情风险带来的负面影响，需要针对新旧媒体发生交互作用下舆情传播方式的新特征开展研究，针对不同的媒体特性提出针对性的治理对策。 成立。该研究结果也表明，变量舆情受众对舆情风险存2.第4章重大项目舆情风险的网络特征分析针对信息的界定、度量与性质，学者们自20世纪40年代开始进行了大量的研究，取得了以信息论为代表的一系列理论成果。hnnon（1948）的里程碑式意义。信息论主要研究信息的特性、存储、变换、传送与处理等规律，着眼于对信息的描述和定量分析。n（1948）阐明了对信息进行定量化的原则与方法，利用熵界定了连续信号的信息量，提出了单位信息量就是对具有等价性的二中择一事物作单一选择时所传递的信息。他认为信息是人类意识和物质世界的中介，对于人们认识世界的方式能够产生重大的影响。在信息的数量方面，本书用Iij来表示两个节点间的信息总量，它是指社会网络上任意两个直接相连的节点i与节点j之间传播的信息的总的数量。Iij的大小受到节点i与节点j之间关联关系lij以及两个节点间传播的具体信息量iij的影响，可以表示为Iij=lij×iij。节点间的关联关系lij越强，则Iij越大。为了研究的便来，舆情风险传播社会网络上两个传播主体之间传播的信息总量，在数量上都可以简化为节点间关联关系li在信息的性质方面，按照信息对重大项目能够产生有利还是不利影响，可以将其分为正面信息和负面信息。推动重大项目舆情朝有利于项目发展的舆情信息为正面信息（ovenoon），推动重大项目舆情朝不利于项目发展的舆情信息为负面信息（gvenoon）。在表达上，舆情信息在节点i与节点j之间传递，如果其为正面信息则表示为I（po），若为负面信息则表示为I（ne）。信息性质与信息数量二者相结合，共同刻画出了舆情社会网络上两个节点间信息传递的特征。信息传播过程中用户如何获得较大影响力，但此算法的应用范围较为狭窄。于洪等（2012）表4-1按照社会网络分析理论，某节点i与另外n个节点直接相连，则该节点的度为n，用符号ki此概念，在刘兴智（2011）、于洪等（2012）研究的基础上，本书从舆情风险角度对节点的负面影响力作出了新的界定。节点i点i直接引发的舆情风险，用符号表示。节点的负面影响力与节点的度和节点传播的负面信息量有关本书设计可以用节点度数ki和负面信息量在与节点直接相关的所有信息中所占的比重Pi的乘积来表示，即。其中，负面信息比重Pi具体的计算公式为：整体网研究关注整体网络的结构，注重分析与网络整体结构相对应的各个网络参数。国内关于整体网及其风险的研究起步较晚，成果也相对较少。刘军（2006）所做的法村社会支持网络研究是国内整体网研究中的经典成果之一。该研究借助紧密关系表亲友关系表帮工表借款关系表借物关系表贷款关系表与个体网研究迥异的优质研究范例，为后续其他各种关系网络的研究提供了非常有价值的参考。在此基础上，其他学者近几年也陆续开展了整体网方面的研究。王彭鹏等（2010）用整体网分析方法研究了大学班级中的人际关系，并从社会网络视角提出了构建良好的班级人际关系的对策与途径。马振萍（2011）介绍了整体网的构成、分类、密度、规模及结构等要素，对整体网结构的网络变量、关系变量、属性变量等分别进行了详细探讨，并阐述了整体网研究的优缺点与意义。刘兴智（2011）对项目治理社会网络进行了研究，他将项目治理社会网络的整体网络风险定义为由于网络的低效率与不可靠而对项目治理目标的实现所造成的累计不利影响，并从有效性和可靠性两个方面对整体网风险开展了定量分析。网络中心势是一个中性的概念，无正负之分。本研究以网络中心势的概念为基础，并借鉴社会网络分析的相关参数，引入导致不利舆情的负面信息，设计一种新的适合重大项目舆情风险的算法。借助对舆情网络中心势的分析，可以定量地揭示重大项目舆情管控手段对舆情风险整体的作用与效果。整体网舆情风险是能够对重大项目造成不利影响的负面信息在关注项目进展的行动者所形成的社会网络上传播后整合而成的，代表该舆情传播网络相对于传播负面信息的核心节点或意见领袖的整体向心程度，用符号R 代表借鉴社会网络分析理论有关网络中心势的界定，将其具体表示为：式中：N 为舆情传播网络中的节点数； 为网络中单个节点负面影响力的最大值。根据上一部分得到的整体网舆情风险的计算公式，在网络规模N 相同，即网络中节点数相同的情下，整体网舆情风险的大小主要取决于两个方面，即负面信息的比重与节点的度数。本部分将设置整体网舆情风险的初始状态，并针对网络中这两种情况改变时风险值的变化情况，分别与初始状态的整体网舆情风险值进行比较分析，以进一步加深对整体网舆情风险的认识。假设初始网络中的有10个参与舆情信息传递的个体，即网络节点数目为N10一部分为负面信息。以节点为例，如果其节点度数为3，而其传播的负面信息比例占其传播的全部信息比例为0.2，则点的节点度数与负面信息比例等数据，则可以简记为（3，0.2）。初始网络的中节点的度数与负面信息比例等情况，具体如图41所示。图4-1整体网舆情风险的初始状态按照图4-1中所提供的相关信息，按照整体网舆情风险R的计算公式，可以得到初始状态的舆情风险R表4-2图4-2按照图4-2所提供的信息，经计算负面信息比例提高后的整体舆情风险变为R2=4.775，比初始状态下的表4-3图4-3按照图4-3所提供的信息，经计算，节点度数普遍减少后的整体舆情风险变为R3=1.113，比初始状态的表4-4图4-4整体网与个体网的比较与个体网相比，基于整体网的舆情风险的分析方面也存在一些劣势。整体网偏重结构研究，研究的抽象性较强，对个体行为及动机缺乏有效的关注，有着重视结构而忽视属性、重视形式而忽视内容倾向。个体网的边界较为清晰，任何一个节点的影响力及基于该节点的个体网舆情风险都较为容易计算。而基于整体网的舆情风险研究，对于网络边界及成员间关系等方面复杂性大增，加大了调查与分析的困若要对重大项目舆情风险进行有效治理与管控，首先需要从宏观上对舆情风险大小作出判断，即要明确重大项目舆情信息传播网络的整体网舆情风险的大小。如果大于所设定的风险阈值，则可判定目存在舆情风险，需进入具体的治理及管控环节。借鉴马荔（2010）、李亮（2014）等人的研究，并依据网络中心势的计算机理，本书对于重大项目舆情风险阈值进行了设定。重大项目舆情风险阈值以0.3和0.6为边界值，低于0.3的为低度舆情风险，高于0.6的为高度舆情风险，0.3与0.6之间的为中度舆情风险。中度和在判断整体网舆情风险的大小后，需要借助对于个体网舆情风险 的分析，识别出重大项目舆情络中对舆情的形成及传播能产生重大推动作用的具有较大负面影响力的节点，这些节点构成了网络中的核心节点或意见领袖。重大项目舆情风险治理的重点，在于减少核心节点的负面影响力，发挥从微观到宏观心，是理所当然的意见领袖，其节点度数N11中心势最大的网络。与此相反，全联通网络中所有的节点均相互连接，所有节点的度数也都为N联通网络的中心势为0。为了降低重大项目舆情网络的整体网舆情风险，需要识别出舆情网络中的负面影响力大的意见领袖，在此基础上逐步弱化舆情网络的星型化网络结构，以减少核心节点的负面影响力，进而减少全网络的舆情风险。利用对核心节点或意见领袖的管控，从而改变舆情网络结构以减低舆情风险，是对重大项目舆情进行管控的有效手段。意见领袖在重大项目舆情传播中扮演着加工与解释、扩散与传播、支配与引导、协调或干扰等中介作用。由于，欲降低个体网舆情风险，可以分别从降低意见领袖的节点度数D和其传播的负面信息的比重Pi爆发、衍生等各阶段，目前常用的方法为硬管控和软疏导。硬管控是指依照相关法律法规以人—机结合方式，对重大项目舆情形成和传播有关的环节实施强制管理。删除核心节点或切断与核心节点的联系，核心节点的负面影响力也随之降低，能够对负面舆情起到有效缓解作用。尤其是当舆情演化处于形成或回落阶段时，参与舆情传播的民众总数N 较小，网络中最有响力的节点的影响力CDx也较小，硬管控中的删除节点或切断连线的手段更为有效。一般来说，当在网络中新增其他核心节点并广泛建立其与网络中其他众多节点间的联系时，整个网络的中心势会减小。利用这一原理，舆情主管部门可以通过开设政务微博、实名微博、邀请公信力高的专家加入舆情讨论等多种形式参与重大项目舆情传播网络中，加强项目信息公开，引导民众关注和转发其发布的相关信息。尤其是当舆情演化处于爆发或平稳阶段时，参与舆情传播的民众总数N 较大，网络中最有响力的节点的影响力CDx也较大，通过培养新的核心节点来扮演促进正面舆情信息传播的意见领袖的第5无标度网络与BAb等（2001）认为在反映现实世界的网络中，极少数的节点往往拥有非常多的节点与其相接，而绝大部分节点所获得的连接却很少，符合有2080法则特征的帕累托定律。由此，b中大部分网络的度分布均是服从幂律分布。b等（2002）认为规则网络、小世界网络与随机网络模型，都无法对现实世界中大量的此类现象给予合理解释。于是，具有这种性质的网络被视为一种新的网络，被人们赋予一个特别的名字——无标度网络（enok）。无标度，就是指网络中的节点缺乏一个代表性的平均度值或特征度值，即节点的度值范围会在很大的范围内波动。现实中的电话网、交通网与nn均符合无标度网络的特征，在这种网络中，某些集散节点拥有量级非常大的节点连接数。刘浩广等（2008）认为无标度网络是一类具有严重异质性的网络，其各个节点间的连接状况具有非常严重的不均匀分布性：网络中少数被称为ub分节点所获得的连接却很少，这些极少数的ub点对无标度网络的运行特性起着主导作用。郭进利等BA增长性：设定网络中有m0个孤立的初始节点，每个演化时间步里有且仅有一个新的节点连接到网络中来，并且新加入的节点会与原来的m（≤m0）个节点相连接。经过t个时间步之后，该算法便会生成一个节点数为N=t+m0和边数为mt的网络。此网络最终会演化到一个标度不变的稳定状态，而网络中的节点度服从指数γBA=3的幂律度分布。即：p（k）=2m2k-

近年来，学者们针对模型存在的不足，从某些方面对情风险演化问题进行了多角度的研究。何敏华等（2010）研究了无标度网络结构变化下的舆情演化情况，提出了基于网络拓扑结构变化的舆情演化模型。该模型展现了一个动态的舆情演化过程，网络结构与舆情演化在该过程中相互适应。田占伟（2012）关注了复杂网络上的微博信息传播问题，基于改进的模型对此进行了建模与仿真研究，验证了微博中不同种类信息传播的差异状况，揭示了微博信息在复杂网络中传播的特征与机理。李曌宇（2013）将与两个模型相结合，从全新的视角对无标度网络中的舆情演化状况进行了详细分析，通过对节点度分布与网络聚类系数等参数的研究，获取了网络拓扑结构与舆情演化的互动规律。陶少华等（2008）分析了多个无标度网络模型的优缺点，对基于节点度数的连接规则的局限性进行了解释，并引入了吸引因子对网络模型展开了改造。邓竞伟（2009）构建了基于随机初始吸引度的复杂网络演化模型，很好地拓展与推广了无标度网络演化模型。本章在陶少华等（2008）与邓竞伟（2009）研究的基础上，提出节点吸引度是与节点度有所不同的一种吸引新节点与其相连的属性，并利用随机变量δ代表网络中原有节点对新加入节点的吸引度，以改进无标度网络的择优连接性规则。引入随机变量δ因为它可以对模型的幂律指数进行合理调节，便于更加灵活地研究网络演化模型的特性，并可能使网络模型更为准确地模拟现实世界中的网络。式中：δi为节点i的吸引度；为网络中其余节点的节点度与吸引度之和。δi（-m＜δi＜+∞）是服从定度分布的随机变量，表示某节点单位时间内可获得连边数量的多少。δi=n/Δt，式中：Δt为时间；n为Δt节点i连接新边的概率可以看作是节点度值ki（t）的连续变化率。在演化中的每个时间步，网络都会加入一个新节点与原有节点i相连接。假设节点i的度ki为连续随机变量，ki变化的速率和新节点与其连接的概率成正比，＜δ＞表示变量吸引度δ的数学期望，因此节点i的度ki满足的动态方程为：结合每个新进入网络的节点所满足的初始条件ki（ti）=m，可得式（5-4）其中，式（5-5）中β=2+＜δ＞/m，经整理后能够得到在ti时刻加入网络的节点i在t时间步的节点度小于k的连接概率为：由此，可以得到节点i在ti当t→∞时，对式（5-7）中的tPi（k）≈β（m+δi）β（k+δi）-（βln［Pi（k）］=ln（β）+βln（m+δi）-（β+1）ln（k+δi

当节点度k较大时，吸引度的影响会相对变小。当k由此可见，对BA模型进行改进和扩展后，网络中节点的度分布近似地服从指数为γ=β+1=3+＜δ＞/m在式（5-3）中，由于δi与ki第一种情形：ki较大，同时δi也较大。具备此类节点度与吸引度特征的节点，在争取与新加入节点相连图5-1ki与δi均较大的节点A第二种情形：ki较大，但δi较小。这代表了曾经具备连接优势的原有节点其优势逐渐丧失的情形。虽然图5-2ki较大且δi较小的节点B第三种情形：ki较小，但δi较大。这代表了网络中加入时间较短的、具有独特魅力的新节点所连接数量图5-3ki较小且δi较大的节点C节点i的相关度，指的是节点i与其欲加入的网络间旧有节点关联关系的大小。为了研究方便起见，节点i的相关度值通过系统设置的随机数来获取，这样新加入节点i与原有系统之间的相关度即一个为大于0小式中：βi为某个新加入节点与网络中原有节点i的相关度；βi（0≤βi≤1）（1+βi）ki为网络中原有节点i每个时间步中，网络加入一个新节点与原有节点i相连接。在相关度模型中，节点i与新加入节点相连的可能性为连接概率Li与新节点连边数m之积。一般地，假设网络中原有节点i的度ki是一个连续随机变量，ki变化的速率ki（t）与新节点的连接概率成正比，称mLi为ki（t）的连续变化率。因此，节点i度ki令，则。由于βi∈[0，1]，那么就可以得到a∈[0，1]。同时，由于，则通过求解式（5-13），就可得出结合每个新加入节点的初始条件ki（ti）=m，可以得出在ti时刻节点i的节点度ki随时间t的变化的方为，那么式（5-13）的解就可以进一步表示为：由此，节点i的度数为k由于规定了每个时间步仅会有一个新节点加入网络，那么ti的概率密度就为总的时间步（m0+t）的倒这样，度分布P（k）当t→+∞时，式（5-17）分布服从幂律分布，说明该网络是无标度网络，且模型的度指数为。当βi=0时，新加入节点与网络的相关度为0（这是一种极端情况，在此情况下新加入节点不与网络中的任何节点存在关联关系），在此情况下γ=3+2a。当βi=1时，新加入节点与网络存在完全相关关系（这是另一种极端情况，新加入节点与网络中的原有节点均有极强的相关性），在此情况下γ=2+a。根据以上分析，网络一旦给定，便能确定a的值，则就成为一个在区间[0，1]单调递减的、关于βi的函数。由此，当βi∈[0，1]时，就会有γ∈[2+a，3+2a]，a∈[0，1]。综上所述，相关度模型的节点度分布服从幂律分布，并且度分布指数的范围被扩展为[2+a，3+2a∈[0，1]。当a=0时，最小的度指数波动范围变为[2，3]；当a=1时，最大的度指数波动范围变为[3，5]。根节点度分布是网络上节点之间的互相连接整体情况的重要反映，是体现网络拓扑结构特性的一个重要指标。本部分将网络演化模型的仿真参数设定为网络规模N1000、度分布指数γ3，通过b7.0软件对吸引度模型与相关度模型的度分布情况开展了仿真。吸引度模型与相关度模型节点度分布情况的仿真结果分别如图54与图55所示。图5-4吸引度模型的节点度分布图5-5相关度模型的节点度分布通过对比图54与图55均呈现出了幂律分布规律，说明舆情风险演化后所形成的网络属于无标度网络的范畴。同时，两个模型的仿真结果也体现出一些不同之处，吸引度模型的最大节点度大于相关度模型，具有相同节点度数的节点数量也少于相关度模型，这表明在同样的网络规模下，吸引度模型的节点度分布更加离散，其网络的异质性更强。节点度数分布反映了在特定的时间步条件下网络上节点之间互相连接的整体情况，而本部分所讨论的节点度与网络规模的关系则反映了网络规模在不断增长的情况下各节点的度数随时间动态变化的规律。本部分将模型仿真参数设定为γ3，通过b7.0软件对从N100到N1000变化时，吸引度模型与相关度模型节点度数随网络规模动态演化的情况进行了仿真。吸引度模型与相关度模型的仿真结果分别如图56与图57所示。图5-6图5-7通过对比图56与图5规模的增加，最大节点度都取得了长足的增长。两个模型的仿真结果也体现出一些不同之处，从图56与图57中可以直观地看出，在同样的网络规模下，吸引度模型的最大节点度大于相关度模型，且节点度的分布情况也明显比相关度模型松散。此外，随着时间步与网络规模的增加，吸引度模型中节点度数的分布变得更加离散，尤其是节点度较大的一些具备舆情意见领袖特质的节点变化情况更加明显，推动吸引度模型网络的异质性大大增强，无标度特性比相关度模型更加突出。节点平均度反映了舆情演化网络上节点之间互相连接的平均情况，代表了网络中代表性节点的典型连接情况，也是体现网络拓扑结构特性的一个重要指标。本部分将模型仿真参数设定为γ，通过b软件对网络规模从N到N2000变化时，吸引度模型与相关度模型的节点平均度随时间动态演化的情况进行了仿真，两个模型的仿真结果如图58所示。图5-8节点平均度与网络规模的关系在节点度指数γ的情况下，分别取网络规模N为500、800、1000、1500、2000相关度模型的连边数、平均路径长度、聚类系数、节点平均度这几个参数，通过对比其参数的异同与变化趋势对两个模型的网络拓扑的特点进行更加深入的分析。具体内容见表51和表5。表5-1表5-2对比表51和表5中的数据可以发现，随着N 取值的增大，虽然两个模型参数值呈现出类似的变化律，但在具体指标上仍然存在一些差异。吸引度模型与相关度模型呈现出的共同规律是，随着网络规模的不断增大，参数中的连边数、平均路径长度与节点平均度都随之以不同的增速在增长，而聚类系数却随网络规模的增加呈现出逐渐减小的趋势。在连边数方面，由于网络中的初始节点数都为m0，每个时间步加一个新节点与原有网络中m=4个节点相连产生4条新边，所以根据公式N=m0+mt吸引度模型的节点度分布指数为γ=β+1=3+＜δ＞/m，其大小受到吸引度δ的取值范围的影响。由于δ的取值范围为-m＜δ＜+∞，相比经典的BA模型，吸引度模型的节点度分布指数理论上的取值范围可以扩展到[3，+∞]，最小取值为3。在相关度模型方面，其度分布指数γ∈[2+a，3+2a]，a∈[0，1]。随着a取值的稳健性是舆情风险演化模型特征的另一个重要的衡量指标。本章对针对吸引度模型与相关度模型在4、N1000关度模型。就具有意见领袖性质的节点数量来看，吸引度模型中具有巨大节点度数的意见领袖节点数量大于相关度模型。在巨大度数节点与网络中绝大多数的度数为4的节点之外，存在着一定数量的度数居中的、介于4到10之间的节点，它们构成了意见领袖节点与普通节点间的缓冲地带。这些度数居中的节点在按相关度模型所仿真出来的网络中所占的比例远大于吸引度模型，也说明了相关度模型中各节点在度数方面的差异比吸引度模型要小。因此，从总体上看，相关度模型的稳健性优于吸引度模型。舆情风险不是一成不变的，动态演化性是其重要特征之一。舆情风险演化是一个复杂的综合性过程，涉及的过程与要素众多，可以从不同的角度解读。本章从网络拓扑结构分析的视角入手，借助复杂网络理论方法，通过无标度网络中的模型对舆情风险演化问题进行了研究。本章在探讨了择优连接规则后，分析了模型的节点度分布指数固定化、意见领袖节点老化等局限性，并针对优化节点择优连接规则的目标，提出了两个基于模型的改进模型：吸引度模型与相关度模型。吸引度模型以网络中原有节点为研究的切入点，引入了原有节点对新加入节点的吸引度的概念，强调旧有节点对新加入节点的吸引能力；而相关度模型以准备加入网络的新节点为研究的切入点，引入了新节点与网络中原有节点的相关度的概念，强调新节点与网络中原有节点的关联关系。经过一系列的理论推演与仿真分析，证明了本章所构建的吸引度模型与相关度模型，其节点度分布均符合幂律分布，模型演化后的网络拓扑结构具有无标度特性，比模型能够更好地对现实情况进行描述。此外，两个模型除了在度分布、平均路径长度、聚类系数、最大节点度等方面存在差异外，吸引度模型在节点度分布指数的理论值方面，最小取值与最大取值均大于相关度模型，且节点度分布指数的波动范围也远大于相关度模型，说明吸引度模型节点间的差异性更加显著，其无标度特性也更加明显。由于相关度模型中各节点在节点度分布方面的差异比吸引度模型要小，其稳健性在总体上优于吸引度模型。第6学者们对舆论动力学模型的研究可以追溯到20世纪50年代。nh等（1956）化模型，其目的在于解释当年所发现的社会功能形式具有的复杂现象。y（1959）对nh提出的社会功能形式理论给出了相应的数学分析。oo（1974）对舆论经过演化而最终达到统一的现象做了大量的分析与解释工作，其中最为著名的是其提出的有关专家们取得共识的ph技术。最早涉猎舆论动力学领域的学者们所从事的工作大都致力于聚焦社会或社区中舆论的共识现象及其演化机理。直到如今，这仍是国内外研究者们在舆论动力学领域的一个重要研究方向。存。在舆论动力学的基本框架下，国内外研究者们社群的运行机理转换为数理模型，衍生出了许多不同的舆论动力学研究方法。舆论动力学的经典模型主要包括ng模型、oyu模型、nd模型、o模型、gnnu模型与un模型。虽然这些模型前提与规则各异，但其核心原理基本是一致的，即个体观点的发展变化会受到外部环境中其他个体行为与观点的重要影响。近些年来，许多物理学家对复杂现象的研究产生了非常大的兴致，尤其是利用统计力学的思想与方法来分析各类复杂的社会现象。在多种多样的社会问题中，有关舆论动力学演化问题的研究是最为引人注目的研究之一。nd型，如o模型等。（2002）建立了第一个有关舆论演化的非线性模型，其他学者们也相继建立了类似的模型，以研究在不同社会情境下的舆论动力学演化问题。在模型的理论分析、计算机模拟以及模型的实证研究等领域，都创造出了非常多的成果。当前，舆情传播研究的重要方向之一是其动力学机制分析，而动力学分析所用的主要方法就是建立舆情传播动力学模型。这些动力学模型主要可划分为两大类，即离散观点模型与连续区间模型。在现实社会中，大部分人的观点并非是绝对极端化的，而是呈现出左右摇摆的连续变化情形。而且，意见越是相近的人，则越容易沟通。因此，基于有界信任的连续区间模型——un断得到多方面的扩展。这些扩展包括应用于特定的网络结构与个性化的参数选择等，如应用于自适应网络结构以及在意见交互的过程中注意到个体间的亲和力。然而，以un缺乏结合个体差异性、社团结构及演变规则的深度分析，对较深层次的舆论传播规律的探索也不够充分。un等人于2000年提出的un模型为经典的个体观点交互模型之一，又被称为意见连续模型。在un自身的教育投资额度视为自己有关教育这一话题的舆论值。如此一来，连续的舆论值便能够更加真实地描述现实社会中发生的复杂现象和其多样性的性质。un模型的基本规则为：处于某一社会网络中的每一个个体，都会随机选择网络中的另一个个体，然后对他们各自的舆论值进行比较，以判断二者之间是否足够信任对方从而具备进行舆论值交流的前提。如果二者间的舆论值之差大于模型中所设定的某一参数（0＜＜），则表明二者间的信任程度较低，他们会因无法说服对方听取自己的观点而继续坚持自己当前的舆论值；反之，二者会适当地改变自己的舆论值以靠近对方的舆论值，其改变量的大小为x与μ的乘积。其中，x是二者舆论值的差值，而μ为调节个体观点交互程度的参数，它的取值范围为区间0，0.5。假设网络中的节点总数为N予每个节点i舆论值si（0i1）。在观点演化过程中的时间步t，节点i随机地选择一个邻居节点j，二者的舆论值si（t）与sj（t）进行比较。若si（t）与sj（t）差值的绝对值超过了模型中已设定好的阈值ε，si（t+1）=si（t）+μ|si（t）-sj（tsj（t+1）=sj（t）+μ|sj（t）-si（tDeffuant

本研究选取un模型作为个体观点交互的基础模型，主要原因在于：首先，un模型属于观点连续的舆论动力学模型范畴，模型中个体观点取值为0，1上的任意值。与nd等观点离散型舆论模型相比，un模型能够更加贴近现实地反映出个体对某个话题的态度，这是由于现实中很多的观点并非是非黑即白或二元对立的。其次，un模型中的对于ε及μ的规定较为刻板，对其进行改进与变形的空间较大，而这种改进与变形能够更加灵活地从不同侧面反映现实中舆论观点演化中的情况。互信参数ε是Deffuant模型中一个非常重要的参数，它在Deffuant模型中往往会被设定为0到1之间的一个常数。在完全图、随机图与无标度网络上，如果ε≥0.5，则网络中所有个体充分交互后的最终意见均为0.5。因此，ε≥0.5时会存在一个完全收敛的意见，这也许就是Deffuant模型的根本性质：无论图的结构如何，在ε足够大时个体均可达成共识。然而，如果ε很小，系统中的最终观点则会出现许多个簇。融合参数μ在Deffuant模型中也非常重要，它在Deffuant模型中往往会被设定为0到0.5之间的一个常数。通过对μ取值的不同设定，可以对参与观点交互的双方产生不同的影响从而在演化后得到不同性质的群体。例如，当μ=0时，参与交互的双方所持的观点将不会产生任何变化；而当μ=0.5互后会得到其观点的均值。μ取值的不同设定表明了交互个体的融合程度差别：个体的观点交互策略强硬时，μ的取值较小，双方均不会轻易改变所持观点；而个体的观点交互策略随和时，μ的取值较大，双方容在Deffuant模型中，采用参数ε∈（0，1）代表网络中任意两个节点间的信任条件。由于参数ε表示两互信参数ε是个体间的进行观点交互的阈值，当且仅当参与交互双方的观点差异值小于互信参数ε有机会开展交互行动。互信参数ε因可能是政治、文化、社会、经济等多方面的。总的来看，当社会心理距离越近时，个体在进行观点交互行动越方便，互信参数ε便是对此类观点交互行为发生概率的简化。社会网络中个体i与j之间的观点差值可以表示为|sj（t）-si（t）|，个体i与j之间发生观点交互的前提条件可以表示为|sj（t）-si（t）|＜ε。按照条件信任的规则，若任意两个节点的观点差值小于ε若二者的观点差值大于ε，则代表二者间的信任基础不高，意见相左的情况会持续。当发生|sj（t）-si（t）|＞ε的情况时，需要将这两个点间的连接断开，并从社会网络中其余的节点中随机地选取新的节点g与节点i开展连接。如果i与新节点g进行连接后，满足|sg（t）-si（t）|＜ε的条件，则二者的观点会依据式（6-1）与式（6-2）的规则进行演化。如果节点i与新节点g进行连接后，出现|sg（t）-si（t）|＞ε的情况，则需再一次断开节点i和节点g的连接，并从社会网络中的其余节点里再随机地选取其他节点开展连接，直到演化时间步t最终结束为止。根据上一部分所设定的舆论演化规则，本部分选取了节点总数N为3000的无标度网络进行了分析，并规定网络节点度为k，时间步为t，初始节点数与新加入节点的连接数均为4（m=m0=4），互信参数ε值范围为ε∈（0，1），网络中所有节点的观点值均在0～1随机分布。本部分将探讨互信参数ε为不同值的情况下，互信参数ε对个体观点演化的影响情形开展模拟，并对节点的观点分布、观点演化中的派系分布、经过独立重复试验的模拟，结果显示，当t=100000时，如果ε≥0.3，舆论值不再呈随机分布而趋近于0.5，呈现出了趋同效应；而如果ε＜0.3互信参数ε根据独立重复试验的模拟结果，网络结构在时间步t=100000时会呈现出基本一致的状态，我们就取时间步t=100000时的平均计算结果来研究不同的ε取值对个体观点分布的影响。节点的个体观点值s随互信参数ε的变化情况，如图6-1所示。图6-1个体观点值与互信参数的关系图61横坐标代表互信参数ε ∈（0，1），纵坐标则表示舆论值s ∈（0，1）。由图61显示的结果看，在ε较小时个体观点值会随机分布在0～1；随着ε的不断增大，个体观点值会逐渐朝向坐标轴的两端拢，逐渐远离中心值0.5，而出现极端化的趋势；当ε大到一定程度时，个体观点值会向中心值0.5靠拢，所有个体会倾向于达成共识。由此可见，随着ε的增加，个体观点分布的演化会依次呈现出三种相变，即裂化、极端化与统一化态势。分裂化态势和极端化态势、极端化态势和统一化态势的临界ε 值分别出现0.14和0.37。该结果与对比文献中小世界网络上不同态势的临界ε值0.15与0.40较为接近，并且统一化态势波动幅度也出现了明显的减小。该结果说明，以无标度网络而非小世界网络作为初始网络来进行的个体观点演化，达到极端化态势和统一化态势所需要的信任条件更低，所需要的ε值更小。而这正是由于在舆情演化过程中，初始网络的结构也随着个体观点交互而出现不断变化的结果。本书把派系定义为具有相同或非常接近的观点值的节点所构成集合。个体观点演化的过程可以看作是不同派系形成的过程。我们在N3000，mm04的初始系统下，经过时间步t100000图6-2派系数与互信参数的关系图6-2中横坐标表示互信参数ε，而纵坐标Np表示持有不同舆情观点的派系数。一方面，可以非常明显地看出，伴随着ε的增大，派系数目会随之不断减少；另一方面，在互信参数ε较小时派系数量的减少速度会变得更加缓慢，尤其是ε值增大到极端化态势的临界值0.14时，派系数量Np许多规模有限的小派系出现时，一些原本较为孤立的节点会慢慢聚合在其周围。当ε于观点差值过大而主要按照演化规则的第二步进行演化，即开展断边重连的概率较大，这样会不断改变网络的拓扑结构，而个体之间观点进行融合的程度不剧烈，舆情派系数量的减少趋势并不明显。而当ε到推动个体观点演化进入极端化态势后，个体之间的互信区间不断增加，主要开展演化规则的第一步，个体不同观点的相互融合概率较大，达成共识的情况会越来越多，从而引发派系数量的骤减。最大派系所含节点数与互信参数的关系如图63所示。图6-3图6-3显示了在N=3000的网络中，舆情演化至稳态时个体观点最大派系与互信参数ε的关系图。图6-3中横坐标表示互信参数ε，而纵坐标Ns表示个体观点最大派系所包含的节点数。当互信参数比较小时，随着ε个的小派系，并且随着ε的增加而慢慢聚合变大。因此，在ε比较小时，最大派系所包含的节点数会随着的增大而不断增大。然而，这种增加并不是永无止境的。当互信参数ε化态势，宏观上最终只会呈现出单一的最大派系。这个最大的派系，其节点数为3000，而次大派系及其他派系则不会存在。由图63可以看出，网络中个体观点演化出现统一化态势的临界值为0.37。社会网络从初始状态演化到稳定状态所需要的时间，被称为弛豫时间tc。具有不同节点规模的网络在同样的舆情演化规则下达成统一化态势所用的时间是不同的。由于在互信参数ε＜0.37的条件下，网络不会收图6-4弛豫时间与网络规模的关系由图6-4所显示的结果可以看出，横坐标代表网络规模N，而纵坐标表示弛豫时间tc。本部分选取ε＞相同时，纵坐标满足tc（ε=0.8）＜tc（ε=0.6）＜tc（ε=0.4）；而且在某一具体的互信参数下，纵坐标tc横坐标N呈现出同向变化的正相关关系。总的来看，一方面，随着网络规模N的不断增大，网络的弛豫时间tc也会不断增大；另一方面，网络规模相同时，ε越大则弛豫时间会变得越短。主要原因在于，根据预设的个体观点交互规则，ε可见 越大，则网络中不同节点之间的观点值改变的概率就越大，系统达到稳定状态所需的时间也就图6-5是网络弛豫时间与互信参数的关系图，横坐标代表互信参数ε，而纵坐标表示的是弛豫时间tc。在互信参数ε＜0.37时，网络中的个体观点是发散的，不会形成统一化态势，故不存在弛豫时间。当互信参数＞0.37时，系统开始出现弛豫时间。如图6-5所示，当ε＞0.37时，弛豫时间tc随着互信参数ε的关系，并且在0.37＜ε＜0.53范围内相关系数较大。换言之，网络的弛豫时间tc随着ε的增大而不断减小，图6-5弛豫时间与互信参数的关系本部分在无标度网络的基础上，在对un该模型中，个体观点值是在0～1的随机数中取值。在个体观点交互的过程中，网络结构与个体观点演化相互影响，呈现出了一些新的特征。首先，网络中节点的个体观点值分布伴随着互信参数的增大出现了分裂化—极端化—统一化态势的相变。其次，网络中涌现出了具有不同观点值的舆情派系或小团体，派系中的节点数量与