Knowledge Management Forum >

2026 , Vol. 11 >Issue 4: 381 - 399

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.032

An Extended SEIQR Model for Online Public Opinion Propagation: Modeling and Simulation

  • Xu Xinrong 1, 2 ,
  • Wang Ming , 1, 2
Expand
  • 1. School of National Safety and Emergency Management, Beijing Normal University, Beijing 100875
  • 2. Ministry of Education International Joint Laboratory of Catastrophe Simulation and Systemic Risk Management, Zhuhai 519087
Wang Ming, Professor, Doctoral Supervisor, E-mail: .

Xu Xinrong, Master's Candidate

Received date: 2026-06-02

  Online published: 2026-08-28

Fold

Abstract

[Purpose/Significance] Online public opinion propagation poses a severe challenge to social stability and even national security. This study aims to establish an online public opinion propagation model that features both mechanistic interpretation and policy evaluation capability, thereby providing decision-making support for online public opinion governance and national security protection. [Method/Process] Based on the basic SEIQR model, this study reconfigured state transition rules and information diffusion patterns to develop an extended SEIQR model that better reflects real-world online public opinion propagation chains. An agent-based modeling (ABM) approach was then employed to reproduce the full-cycle dynamic process of online public opinion propagation at the micro-level of individual interactions. Furthermore, three categories of governance mechanisms—government disclosure of authoritative information, regulatory and platform-imposed account restrictions, and public education and guidance—were systematically simulated, and their intervention effects were comparatively analyzed using quantitative indicators. [Result/Conclusion] The results indicate that, compared with the baseline scenario, the infection peak size decreases sequentially across the “Truth”, “Penalty” and “Education” scenarios; meanwhile, the time at which the infection reaches its peak is progressively delayed, and the number of individuals who never enter the propagation chain sequentially increases. These findings indicate that the above mechanisms can reduce the infection peak, slow down the propagation speed, and narrow the scope of influence to varying degrees by affecting the state-transition process of online users. However, the propagation cycle is extended under all three scenarios, indicating that the propagation chain exhibits a certain degree of a “long-tail effect” under policy interventions. This study identifies the evolutionary patterns of online public opinion under different governance strategies, providing quantitative support for predicting public opinion development trends, optimizing the timing of policy interventions, and scientifically evaluating governance strategies. The findings offer significant theoretical contributions and practical value for fostering a clean and healthy online environment and safeguarding national security and social stability.

Key words： online public opinion propagation; SEIQR model; national security; public opinion governance; agent-based modeling; AnyLogic simulation

Cite this article

Xu Xinrong , Wang Ming . An Extended SEIQR Model for Online Public Opinion Propagation: Modeling and Simulation[J]. Knowledge Management Forum, 2026 , 11(4) : 381 -399 . DOI: 10.13266/j.issn.2095-5472.2026.032

2026年2月，中国互联网络信息中心发布第57次《中国互联网络发展状况统计报告》[1]。报告显示，截至2025年12月，我国网民规模达11.25亿人，互联网普及率突破80%。30余年间，我国互联网实现了从无到有、从小到大、从大到强的跨越式发展，建成了全球规模最大、技术领先的互联网基础设施，构建起全球最大的网络零售市场和网民群体，并持续向“新”而行，朝“好”迈进。互联网事业蓬勃发展，已成为推动高质量发展、支撑现代化建设的强大动力。
伴随着互联网的飞速发展、社交媒体平台的快速崛起和网民群体的持续扩张，网络安全成为国家安全的重要组成部分，网络舆情事件上升为维护社会安全稳定的关键议题。网络舆情传播具有突发性、跨域性、复杂性等多样化特点，常伴有谣言蔓延滋生、公众信任丧失等问题，如若处置不当，能够在短时间内迅速引发公众恐慌、产生舆论压力、侵蚀信任基础，影响政府公信力和权威性，对公共秩序、社会稳定甚至国家安全造成严峻挑战。因此，有必要深入探究网络舆情传播的特征与影响因素，把握网络舆情的基本传播规律，实现对网络舆情事件的准确研判、高效处置和长期治理。在此背景下，亟须对网络舆情传播过程进行符合实际、精炼准确的模型构建。
网络舆情传播机制与传染性疾病在人群中的传播规律具有高度相似性。本研究通过改进传统传染病模型并将其迁移应用至网络舆情仿真建模情境下，既能建立起适用于网络舆情传播的理论分析框架，又能为网络舆情事件的精准治理提供科学依据，有助于政府、社交媒体平台等监管者掌握网络舆情的演化特征及规律，明确各演化时期的治理重点。

1 国内外研究进展与评述/Research progress and review in China and abroad

网络舆情扩散与传染病传播的动力学机制十分相似。依托种类丰富的传播模型，学界以多维视角持续推进对网络舆情演化规律的探究，逐渐构建起理论深厚、多元并进、不断迭代深化的研究体系。
最经典的传染病动力学模型SIR模型由W. O. Kermack等[2]在1927年提出，该模型将群体分为易感者（susceptible）、感染者（infected）和康复者（recovered），形成的传染病动力学阈值理论为此后的探索奠定了基础。早期舆情研究中，多数学者利用传统SIR模型对SNS（social networking services）社交网络话题传播进行建模[3-5]，结果表明SIR模型能够有效模拟社交网络话题的传播，印证了传染病模型适用于舆情传播规律和特点的研究。在SIR模型[2]、SIS模型[6]、SIRS模型[7]和SEIR模型[8]等传染病模型发展成熟的基础上，为了更加精准地把握网络时代下舆情传播的特征和规律，国内外大量研究者通过细化主体状态、增设或修改相关参数与设定状态转移规则等方式，持续提升网络舆情传播建模的适应力、科学性与准确度，逐渐演化出种类丰富、侧重各异的舆情传播领域传染病模型。
在细化主体状态方面，研究者普遍采用分类等方式，分别描述不同的主体状态。H. M. Guo等[9]通过对易感人群进行分类，在传统SIR模型框架下构建起包含多重接触机制的信息传播动力学模型；与之相似，X. L. Chen等[10]认为不同性格的人群在接收信息之后将产生差异化的传播行为，因此将人群划分为“激进”和“稳健”两种类别，构建出SEIsIr模型并证实了性格因素对舆情传播范围和速度具有显著影响；Q. Zhang等[11]依据受感染主体的传播能力，将感染者分为高影响感染者和普通影响感染者并提出SE2IR信息传播模型。
在修改参数方面，学者多结合具体社交媒体平台传播情境进行研究。陈帅等[12]以SEI3R模型为基础，结合微信平台的信息传播特征，量化个体在“社会加强”“兴趣衰减”两种不同效应影响下的舆情传播概率，从而建立起微信舆情演化模型；畅雅雯等[13]以SEIR传染病模型为基础，刻画微信公众号信息在平台内的完整扩散路径；魏静等[14]根据微博平台传播特性，在SIR模型基础上对感染率、转化率进行调整，使模型更贴合实际；王筱莉等[15]针对微博平台的舆情传播进行研究并建立起微博舆情传播模型。同时，许多学者通过引入新机制、设定新参数等方式对传统模型进行改进，如L. J. Zhao等[16]在经典SIR模型的基础上，将“遗忘”与“记忆”双重机制纳入模型设计，同时引入“冬眠（H）”作为新增传播状态，进而建立起SIHR模型；Y. L. Zan等[17]通过引入“反击状态（C）”将反击机制纳入考量，首次提出SICR模型并调试优化；L. L. Xia等[18]在SEIR模型中设置犹豫机制，同时将“内容模糊性”作为关键参数引入模型；R. J. Lv等[19]将群体内延迟效应引入SEIR模型框架，进而构建了动态延迟SEIR演化博弈模型；Y. Q. Wang等[20]则从社会心理视角切入，将个体间的信任关系视为影响舆情扩散的重要变量，据此构建出融合信任机制的舆情传播动力学模型。
在设定状态转移规则方面，现有研究大多聚焦于网络舆情建模中的传播概率问题。通常情况下传播概率被设定为常数，然而现实情况下传播概率可能与个体影响力、与其他个体亲密度等多种因素有关，状态转移规则亟待进一步细化。R. Sun等[21]引入谣言可接受函数以描述不同主体间的传播速率；A. Z. Yang等[22]基于不同主体在传播中的作用设计状态转移函数，构建出新的舆情传播模型ILSR模型。前述学者密切关注主体差异性对舆情传播概率的影响，与之不同的是，在L. Q. Qiu等[23]建立的SIR-IM舆情传播模型中，传播概率取决于能够加速舆情传播的主体数量。
综上所述，学界已将多种传染病模型及其变体广泛引入网络舆情传播研究[24]，并结合仿真模拟等方式推动研究纵深发展，但在描述网络舆情传播全链路及整体把握舆情传播规律上仍存在一定的局限，对其普遍特征和演化趋势的系统性研究仍有待深化，具体表现在三个方面。①现有研究多聚焦于微博、微信等特定社交平台上的舆情传播，而不同平台在信息扩散特性上存在较大差异，一定程度上制约了结论的普适性。另有部分研究集中在网络舆情传播的局部环节或特定方面，重在探索具体条件或场景下的舆情传播特征与管控策略，针对网络舆情传播完整链条与一般性演化过程的研究较为匮乏。②反映管控措施对舆情传播过程具体影响的研究不足。现实网络空间环境中，存在着切实的舆情治理需求，政府、社交媒体平台等社会管理主体并不会放任网络舆情自由扩散，而是在舆情发展演化的各个阶段实施必要的管控措施。但现有研究较少考虑监管部门控制措施在网络舆情传播中的影响，并未将其纳入舆情传播的生命周期。③现有研究较少关注网络用户具体行为对舆情动态演化的影响。网民作为舆情传播的基本行为主体，其信息接收、价值判断与转发行为均会对舆情传播效率与规模产生直接影响，但多数模型倾向于简化处理用户行为，导致部分状态转化规则并不符合实际网络舆情传播场景，削弱了模型对现实传播过程的解释力。同时，网络舆情的内部传播动力（基于用户行为）与外部干预冲击（基于政策管控）之间的交互作用也应纳入模型构建过程，以准确反映复杂网络环境下舆情传播的真实动态。
针对上述问题，本文在现有研究的基础上进行了一定的改进。
（1）对基础SEIQR模型进行优化，调整主体状态和参数设定，使其更符合现实网络舆情传播的典型特征。改进SEIQR模型综合考虑各类影响因素，增设了多个参数与路径，提高模型刻画现实传播过程的准确性。例如，增加暴露者、感染者直接转变为康复者的“冷静”路径，反映网民在接触政府发布的事件事实后拒绝进一步传播舆情的现象；同时，将隔离操作从暴露阶段调整至感染阶段并设定禁止率，更科学地模拟监管平台对恶意用户的识别和处罚措施。
（2）改进SEIQR模型将舆情管控措施映射为模型参数变化，引入舆情治理机制并讨论其对网络舆情传播的实际影响。“真相”“处罚”和“教育”三种治理对策分别对应冷静率、禁止率和感染率等参数的调整，能够较为全面地反映政府、监管部门和社会环境在舆情治理中的关键作用，验证不同政策的具体管控效果，辅助有关部门进行科学有效的舆情治理决策。
（3）在搭建改进SEIQR模型理论框架的基础上，运用多主体建模方法（agent-based modeling，ABM）和AnyLogic仿真平台构建网络舆情传播的可视化模型。通过设定合理的状态转移规则和参数，模拟网络舆情传播的全周期过程并直观、动态地展示各类用户的数量变化趋势，为舆情传播规律和政策治理效果提供了直观的展示平台。
（4）合理选取感染者峰值数量、舆情影响总人数和舆情传播周期等关键指标，定量评估网络舆情的传播效率、影响规模和持续时间。通过对比不同治理情境下的指标变化，系统分析舆情治理措施的科学性和有效性，为制定精准、高效、多维的舆情管控政策提供量化依据。

2 研究方法与模型设定/ Research methods and model specification

2.1 基础SEIQR模型

SEIQR模型是在经典SEIR模型基础上引入隔离者（quarantined）状态形成的一类扩展模型。该模型通过设置隔离仓室描述先期干预对传播过程的影响，是最基本的考虑隔离措施的传播动力学模型之一。基础SEIQR模型将总人群（N）划分为易感者（S）、暴露者（E）、感染者（I）、隔离者（Q）和康复者（R）5类群体，本文提出的改进SEIQR模型仍然沿用上述五仓室结构作为模型的基本框架。基础SEIQR模型的状态转移关系见图1。
图1 基础SEIQR模型状态转移关系

Figure 1 State transition relationships of the basic SEIQR model

2.2 改进SEIQR模型及参数含义

基础SEIQR模型在模拟现实网络舆情传播情况中有较大的局限性，主要体现在三个方面。①基础SEIQR模型的隔离操作依赖于对暴露者的有效识别和先期隔离，而现实中实际接触到相关信息的网民群体数量庞大，且无法说明强制剥离传播链条的标准和依据，因此在暴露阶段进行隔离操作较为困难，在感染阶段对感染者进行排查与隔离更为科学、准确，也更加符合实际情况。②基础SEIQR模型未考虑暴露者可直接转化为康复者的途径。网络环境中，并非所有接触相关信息的网民都会选择参与讨论、转发或促进舆情传播，部分网民可能基于信息甄别、理性判断、受教育程度等因素，在接触舆情信息后即选择不传播、不扩散，不再继续向感染者状态转化，而是直接进入康复者（R）所表征的终态。③基础SEIQR模型对舆情治理机制的刻画相对单一，仅通过相关监管部门对恶意传播个体的识别概率来表征其干预作用。然而，现实中的网络舆情治理不仅包括对异常传播行为的监测，还涵盖事件信息公开、社会宣传教育等多种方式，在模型中均应有具体体现，以更好地贴合现实网络舆情传播情境。
针对上述不足与网络舆情演化模式，本文在保留基础SEIQR模型基本状态结构的基础上，对状态转移与传播规则进行了优化。其中，模型仍包含易感者（S）、暴露者（E）、感染者（I）、隔离者（Q）和康复者（R）5类主体，并分别用S（t）、E（t）、I（t）、Q（t）、R（t）表示t时刻处于各类状态的网民数量。需要说明的是，本文所述的“网络舆情传播链条”指在舆情信息影响下，网络用户在上述5个仓室之间发生状态转移的演化链条，并不意味着所有进入该链条的用户均实际参与讨论、转发或扩散行为。其中，康复者R是该状态转移链条的终态，既包括经历传播或隔离后停止传播的用户，也包括在暴露阶段完成判断后不再向感染者状态转化的用户。用户一旦成为康复者，便意味着进入终态，不再参与本轮网络舆情传播，也不再发生后续状态转移。改进SEIQR模型的状态转移关系见图2。
图2 改进SEIQR模型状态转移关系

Figure 2 State transition relationships of the extended SEIQR model

此模型的基本假设包括三个方面。①在t时间范围内，网民总人数N不变，即在网络舆情传播系统中的总人数始终为常数。以S（t）、E（t）、I（t）、Q（t）、R（t）分别表示t时刻处于5种状态的网民数量，满足S（t）+E（t）+I（t）+Q（t）+R（t）=N。②除模型设定的信息接触传播作用外，不考虑个体之间其他行为因素的相互影响。③在理论模型中，网民主体采用均匀混合假设，即每个网民与其他网民接触的概率相同。描述该模型的微分方程组如公式（1）所示，模型中各群体、参数含义见表1。
d S ( t ) d t = - β S ( t ) I ( t ) / N d E ( t ) d t = β S ( t ) I ( t ) / N - σ E ( t ) - λ 1 E ( t ) d I ( t ) d t = σ E ( t ) - γ I ( t ) - λ 2 I ( t ) d Q ( t ) d t = γ I ( t ) - θ Q ( t ) d R ( t ) d t = λ 1 E ( t ) + λ 2 I ( t ) + θ Q ( t )
表1 改进SEIQR模型在网络舆情传播情境下的群体及参数含义

Table 1 Definitions of groups and parameters in the extended SEIQR model for online public opinion propagation

群体/参数 定义 含义
N 总人数 与网络舆情有关的总网民数量
S 易感者 未接触网络舆情信息的网民群体
E 暴露者 已接触网络舆情信息的网民群体
I 感染者 传播网络舆情的网民群体
Q 隔离者 被管控而无法传播网络舆情的网民群体
R 康复者 进入终态、不再参与本轮网络舆情传播的网民群体
β 感染率 易感者S转变为暴露者E的概率
σ 发病率 暴露者E转变为感染者I的概率
γ 禁止率 感染者I被管控并转变为隔离者Q的概率
θ 康复率 隔离者Q转变为康复者R的概率
λ 1 冷静率 暴露者E转变为康复者R的概率
λ 2 冷静率 感染者I转变为康复者R的概率

2.3 基于多主体建模方法的规则设定

多主体建模方法（ABM）是以具有自主行为规则和交互关系的主体（agents）为基本单元，通过微观主体行为及其相互作用模拟宏观系统动态演化与涌现结果的仿真建模方法。E. Bonabeau[25]与C. M. Macal等[26]分别对ABM的基本思想、建模方法和仿真应用进行了系统阐释。AnyLogic支持基于主体建模、离散事件建模和系统动力学建模等多种仿真方法，本文基于AnyLogic 8.9.5平台，将网络用户抽象为Agent，并通过主体仓室属性、状态转移规则和小世界网络结构完成基础SEIQR模型与改进SEIQR模型的可视化仿真。

2.3.1 模型基本设定

为明确模型的基本运行条件与仿真边界，本文首先对模型进行基本设定。
（1）时间尺度：模型里的1分钟用来模拟1天。
（2）网络规模：假设社交网络中有1 000名用户。
（3）初始条件：有10人最先接触到网络舆情信息（成为暴露者），其他人均处于易感状态。
（4）为定量研究网络舆情事件的传播周期，只进行一次舆情传播模拟，不再引入新一轮舆情。

2.3.2 状态转移规则设定

在上述基础上，本文结合网络舆情传播中不同类型用户的行为特征，对各类用户的状态及其转移规则进行设定。
（1）易感者（S）。①状态：t 0时刻，共有1 000-10 = 990人处于易感状态。②转移：易感者与感染者接触后，有0.05的概率被感染者传染（收到感染者发送的舆情信息“Message”），被传染的易感者将转变为暴露者。
（2）暴露者（E）。①状态：已接触网络舆情信息且尚未决定是否传播的用户。②转移：暴露者有1至3天的潜伏期（模拟用户接收到舆情后，需要较短时间分辨网络中的复杂观点并做出自己的判断）。潜伏期结束后，暴露者有0.5的概率转变为感染者；有0.5的概率因信息甄别、理性判断、受教育程度或信息引导转变为康复者。
（3）感染者（I）。①状态：正在传播网络舆情的用户。②转移：感染者每天随机接触20名网络用户，传染率为0.05，在3至15天内（模拟网络舆情传播上升期，在3至15天内舆情传播速率达到极大值）持续传播；同期，感染者每天有0.05的概率因认知转变、自主判断或信息引导等因素停止传播，并转变为康复者，每天有0.2的概率因监管部门封禁措施而转变为隔离者。
（4）隔离者（Q）。①状态：被管控而无法传播网络舆情的用户。②转移：隔离者经过30至60天的隔离期（模拟禁言期，约为1—2个月）后转变为康复者。
（5）康复者（R）。①状态：进入终态、不再参与本轮网络舆情传播的用户。②转移：康复者为本轮网络舆情传播过程中的最终状态，不再进行状态转移。

2.3.3 模型适用性与验证策略

由于现实网络舆情事件的传播往往同时受到平台规模、推荐算法、用户互动方式和数据开放程度等因素的综合影响，基于单一平台数据建模可能使模型结果更容易受到特定平台或事件特征的限制。因此，本研究采用标准化人工网络环境开展仿真，主要目的在于保持网络规模、网络连接方式、时间尺度等基础条件一致，从而突出不同状态转移机制和治理参数变化对舆情传播强度、波及范围与持续时间的影响。研究构建的模型主要面向网络舆情传播过程的机制解释与政策情境推演，旨在通过仿真模拟揭示现实网络舆情传播的趋势性特征与政策防控的机制性差异，为舆情治理提供科学决策支撑。
为提高模型解释力与现实适用性，本文从三个层面开展验证：①模型结构验证，即通过对比基础SEIQR模型与改进SEIQR模型，检验优化后的状态转移路径对网络舆情传播过程的刻画能力；②传播结果验证，即选取感染者峰值数量、舆情影响总人数和舆情传播周期等指标，比较不同治理情境下传播强度、影响范围和持续时间的变化，检验模型能否有效呈现舆情传播的长尾效应以及政策干预对舆情传播过程的抑制与延缓作用；③典型案例验证，即选取具有完整传播周期和公开治理节点的真实网络舆情事件，从舆情热度变化、演化阶段特征和综合治理过程等方面，与改进SEIQR模型所刻画的状态转移机制及多元治理情境进行对照分析，从而验证模型的现实解释能力。

3 改进SEIQR模型的实现与验证/ Implementation and validation of the extended SEIQR model

3.1 构建主体逻辑关系

本文在AnyLogic 8.9.5平台中搭建模型的主体逻辑与运行场景，将现实网络中的舆情演化映射到人工社会系统，并以可视化方式直观展示网络舆情传播与扩散的动态变化过程。首先，定义一个750×750的二维空间，设定系统中有1 000个主体（Agent），所有主体均采用圆形表示，并以不同颜色区分其状态类别；其次，设置布局类型为“随机”，网络类型为“小世界网络”，网络平均度为20，相邻链接比例为0.2。最后，将网络用户映射为模型主体，并设置易感者、暴露者、感染者、隔离者和康复者5种状态，通过主体状态及其转移规则刻画网络用户的行为变化，构建网络舆情传播的逻辑关系，见图3。
图3 改进SEIQR模型状态转移机制

Figure 3 State transition mechanism of the extended SEIQR model

3.2 仿真参数设定

为探究网络舆情传播随时间的动态变化特征，分析不同类别网络用户的数量变化特征及状态转移规律，设定默认参数值见表2。
表2 改进SEIQR模型仿真参数原始设置

Table 2 Initial simulation parameter settings of the extended SEIQR model

参数 数值
总人数N 1 000
初始暴露者数E 0 10
感染率β 0.05
发病率σ 0.5
禁止率γ 0.2
冷静率λ 1 0.5
冷静率λ 2 0.05

3.3 网络舆情传播特征指标

研究中应选取合适的指标反映网络舆情的传播规律、特征和规模。所选指标不仅能够刻画网络舆情的动态演化特征，还可作为模型有效性验证和治理效果评估的统一依据，为后续模型对比分析与政策模拟提供定量支撑。指标选取如下所述。

3.3.1 感染者峰值数量（infection peak size，IPS）

感染者峰值数量为网络舆情传播过程中感染者数量的最大值，即在整个传播周期内，同一时刻处于“感染”状态的用户数量所能达到的上限，是衡量舆情传播高峰期传播强度的重要指标。IPS能够表征网络舆情干预与监管的困难程度。峰值越高，说明在某一时间节点上同时参与舆情扩散的用户数量越多，相关部门的治理难度与响应成本上升；反之，较低的IPS说明在某一时间节点上同时参与舆情扩散的用户数量相对较少，传播链条的即时活跃强度较低，相关部门面临的治理压力相对减轻。此外，IPS还可用于评估不同干预策略的治理效果。计算方法见公式（2）。
I P S = m a x t ≥ 0 I t
其中，I（t）表示t时刻处于感染状态的用户数量。

3.3.2 舆情影响总人数（affected population，AP）

舆情影响总人数指在网络舆情传播全周期内，未始终处于易感者状态的用户总数。该指标反映了舆情对网络用户的直接影响和波及范围，能够从总量维度表征网络舆情传播的总体规模，也为后续衡量治理对策能否有效减少舆情影响范围提供了关键指标。为精确计算AP，本研究引入传播状态稳定后最终的易感者数量Sn，定义为：当网络舆情传播过程完全终止、系统内所有用户状态不再发生转移时，仍处于易感者状态的用户数量，即始终未受本次舆情传播影响、未发生任何状态转化的群体规模。计算AP时，无需逐一追踪每位用户的具体状态转化路径，而是通过总人数N与终态易感者（Sn ）的数量之差，直接得出受舆情波及的用户总量。与此同时，在传播终止时刻，由于感染者（I）与隔离者（Q）数量均已归零，所有经历过状态转化的用户最终均进入康复者（R）状态，因此AP在数值上等于舆情传播结束时的康复者总数Rn。计算方法见公式（3）。
$\mathrm{AP}=N-S_{n}=R_{n}$
选取该指标具有以下两方面优势：①AP无需区分网络用户个体在舆情演化过程中的具体转化状态，而是以全传播周期内是否始终处于易感者状态作为统计标准，对未始终处于易感者状态的个体进行整体计数，统计口径清晰、计算过程简洁；②AP直接反映了舆情对网络用户的实际覆盖规模，是衡量舆情治理政策能否有效减小舆情扩散范围的关键评估依据。在后续治理情境仿真实验中，通过对比不同干预情境下AP的变化幅度，可定量评估各类治理措施的实际效果。

3.3.3 舆情传播周期（T）

舆情传播周期T是衡量网络舆情传播过程持续时间的核心指标，反映了从舆情事件爆发至传播动态完全停止所经历的总时长。在流行病学研究中，传染病传播的持续时间（epidemic duration）通常从初始病例出现开始计算，并以感染者数量降为零且不再反弹作为终止点[27]。为适应网络舆情传播情境，需要对终止条件作出调整。在改进SEIQR模型中，舆情传播链条的活跃部分涉及暴露、感染、隔离三个仓室，单一仓室归零并不足以说明整体传播停止。例如，感染者数量归零时，仍处于潜伏状态的用户仍可以继续转化为感染者，导致传播链条延续。因此，本文将舆情传播周期T定义为：从初始时刻t=0起，至暴露者、感染者与隔离者数量同时下降为零所经历的最短时长。此时，所有用户不再发生任何状态转移，网络空间中仅存在未受舆情影响的易感者和已进入最终状态的康复者，本轮网络舆情传播过程彻底终止，不再具备继续扩散的条件。其数学表达式见公式（4）。
$T=\min \{t>0 \mid E(t)=0 \text { 且 } I(t)=0 \text { 且 } Q(t)=0\}$
T直观反映着舆情事件的生命周期。T越大，舆情持续时间越长，相关部门需在更长时间窗口内持续投入治理资源；T越小，则表明舆情传播链条的活跃部分收敛较快，舆情对社会造成的扰动相对有限。
上述三项特征指标分别从传播强度、波及规模与持续时间三个维度对网络舆情的动态演化过程进行系统刻画，共同构成了本研究的舆情传播特征量化评价体系，为后续模型有效性验证及不同政策机制治理效果的比较分析提供了关键依据。

3.4 改进SEIQR模型与基础SEIQR模型的对比

3.4.1 实验设计

为验证改进SEIQR模型的有效性，本文以基础SEIQR模型作为对照模型，在相同仿真条件下开展对比实验。两种模型均采用相同的网络规模、初始状态、传播参数和仿真时长，设置总用户规模为1 000人，其中初始暴露者为10人，其余用户均处于易感状态。除状态转移机制外，两种模型的其他仿真设定均保持一致。具体而言，基础SEIQR模型采用“暴露者向感染者或隔离者转化”的状态路径，改进SEIQR模型则将隔离环节调整至感染阶段，并增加暴露者和感染者转化为康复者的路径。基于AnyLogic平台分别对两种模型进行150日仿真，比较感染者数量变化过程及传播特征指标，以检验改进SEIQR模型对网络舆情传播过程的刻画能力与现实适用性。

3.4.2 对比结果与有效性验证

在上述实验设计下，分别运行基础SEIQR模型与改进SEIQR模型，得到两种模型中感染者数量随时间变化的对比结果（图4）。为进一步比较两种模型模拟的传播差异，研究结合感染者数量变化曲线，在前述IPS、AP和T三项核心评价指标基础上，补充“感染者峰值出现时间”和“感染者清零时间”两个过程观测量作为辅助指标，主要结果如表3所示。其中感染者清零时间仅表示感染者数量I（t）降为0的时间节点，不同于舆情传播周期T。由图4可见，两种模型均呈现出单峰型传播特征，均能较为准确地刻画出网络舆情由爆发、扩散到衰退的基本传播过程。但由于其状态转移机制的差异，两条感染者数量变化曲线在峰值高度、峰值出现时间和收敛形态上存在明显区别。结合表3可知，改进模型的感染者峰值数量低于基础模型，峰值出现时间相对延后，感染者清零时间和舆情传播周期有所延长，并呈现出更明显的尾部延续特征。说明在相同参数条件下，改进模型所模拟的感染者增长过程更为缓和。图4和表3呈现了两种模型在传播动态特征和仿真结果上的差异，这些差异本质上来源于模型对网络舆情现实传播过程刻画能力的不同。
图4 基础SEIQR模型与改进SEIQR模型感染者数量变化对比

Figure 4 Comparison of infected user dynamics between the basic and extended SEIQR models

表3 基础SEIQR模型与改进SEIQR模型传播特征比较

Table 3 Comparison of propagation characteristics between the basic and extended SEIQR models

传播特征/单位 基础SEIQR模型 改进SEIQR模型
感染者峰值数量IPS/人 276 222
感染者峰值出现时间/日 23 25
感染者清零时间/日 50 52
舆情传播周期T/日 88 111
舆情影响总人数AP/人 995 975
为进一步说明改进SEIQR模型状态转移规则的合理性与适用性，本文从用户行为、隔离阶段、退出路径与治理介入等现实传播过程出发，比较两种模型对现实网络舆情传播场景的刻画能力，结果如表4所示。
表4 基础SEIQR模型与改进SEIQR模型对网络舆情传播过程的刻画能力比较

Table 4 Comparison of capabilities in characterizing online public opinion propagation between the basic and extended SEIQR models

现实传播行为或场景 基础SEIQR模型的局限 改进SEIQR模型的优化 具体优化路径/参数

用户接触信息后的

行为选择

 未设置“接触信息但不传播”路径，暴露者只能向感染者或隔离者转化 增加了暴露者在接触信息后不扩散、不传播，直接转化为康复者的路径 E→R，冷静率λ 1

针对舆情传播进行

隔离管控

 隔离管控作用于暴露阶段，即部分接触信息、尚未传播的暴露者被识别、禁言或封禁 隔离管控作用于感染阶段，即部分已传播信息的感染者被识别、禁言或封禁 I→Q，禁止率γ

用户在传播过程中

自主退出

 感染者在传播期中自然康复，未设置感染者主动退出传播过程的路径 增加了感染者因信息引导、认知转变等因素停止传播并转化为康复者的路径 I→R，冷静率λ 2

不同治理机制介入

舆情管控

 仅体现“隔离”机制，对治理政策的刻画相对单一 可分别通过冷静率、禁止率和感染率变化刻画多种治理情境 λ 1、λ 2、γ、β
由表4可见，改进SEIQR模型的有效性主要体现在其对网络舆情传播行为过程的刻画更加准确、精细。首先，改进模型对用户行为的刻画更加全面，在暴露和感染两个阶段均有体现。在暴露阶段，基础模型将暴露者后续的转化状态限定在传播信息（成为感染者）或接受隔离（成为隔离者），难以表现用户接触舆情信息后经自主判断而不再参与后续传播的情形；改进模型则通过新增暴露者转化为康复者的路径，将“接触信息但不传播”的用户行为纳入状态转移过程。结合表3可知，改进模型的舆情影响总人数AP由基础模型的995人降至975人，表明在相同参数条件下，部分暴露者未继续转化为感染者，而是直接进入了康复者终态，减少了后续感染者增量与二次传播机会，使更多易感者未发生状态转化，从而降低了舆情的总体波及范围，更加符合现实情况。在感染阶段，基础模型虽包含感染者向康复者转化的路径，但主要表现为传播期内的自然康复，这种“传播时长主导”的传播动力学特征与实际网络舆情中“用户行为主导”的特征区别较大；而改进模型则增加了感染者主动停止传播的行为路径，能够较为准确地反映现实中感染者在传播过程中因信息引导、认知转变或自主判断等因素停止传播的情形。
其次，改进模型通过将隔离环节由暴露阶段调整至感染阶段，使模型能够反映平台或监管部门基于发帖、转发、评论等实际传播行为进行识别和管控的现实逻辑。改进模型的感染者峰值由276人降至222人，峰值出现时间由第23日延后至第25日，说明在相同参数条件下，在感染者阶段进行隔离更具识别可靠性和管控针对性，在仿真结果中表现为传播峰值降低、进程缓和。
改进模型还增强了对不同治理机制介入舆情传播过程的刻画能力。基础模型主要通过隔离路径体现治理作用，对舆情治理政策的表达相对单一；改进模型则可通过冷静率、禁止率和感染率等参数变化，分别刻画信息公开、封禁管控、宣传教育等不同治理机制的影响。因此，改进模型不仅能够描述网络舆情自然传播过程，也能够为后续不同治理情境下的政策模拟提供参数接口，使模型具有更强的情境适用性和政策解释力。
从传播尾部收敛情况看，改进模型的感染者清零时间和舆情传播周期均长于基础模型。需要说明的是，感染者数量降为0后，系统中仍可能存在尚未完成状态转移的隔离者，使舆情呈现低强度延续和逐步收敛的尾部特征，表现为“拖尾”现象。结果中改进模型的“拖尾”时长占传播周期的53.2%，基础模型则占43.2%。这说明，相较于基础模型，改进模型能够更清晰地区分“传播活动减弱”与“舆情影响终止”两个阶段，更准确地刻画感染者数量下降后隔离者转化、用户认知修正和舆情影响逐步消退的现实过程。
综上，图4与表3从仿真结果层面呈现了两种模型的传播动力学表现；表4则从机制层面展开分析，进一步验证了改进模型能够更为系统地表征网络舆情传播中的用户行为分化、治理对象识别以及多元治理介入等关键过程。由此可见，改进SEIQR模型的优势是对现实舆情演化逻辑的机制解释能力和情境适配能力。相较于基础SEIQR模型，改进模型在保持五仓室结构简洁性的基础上，提升了对网络舆情传播与治理过程的刻画精度，为后续基准情境模拟及不同治理情境下的政策效果分析提供了更加完善的模型基础。

3.5 改进SEIQR模型基准情境模拟与分析

研究将表2所示仿真参数原始设置作为改进SEIQR模型的基准情境参数，以呈现改进模型的基本传播状态及演化过程。在基准情境下进行150日仿真，10—70日（每间隔20日进行一次快照）的舆情传播模拟情况如组图5所示，起始至100日的网络用户数量变化曲线如图6所示，各类网络用户在若干关键状态下的数量分布如表5所示。
图5 改进SEIQR模型网络舆情传播模拟的时刻快照（基准情境）

Figure 5 Temporal snapshots of online public opinion propagation in the extended SEIQR model (baseline scenario)

图6 改进SEIQR模型中各类网络用户数量变化曲线（基准情境）

Figure 6 Temporal evolution of different user groups in the extended SEIQR model (baseline scenario)

表5 改进SEIQR模型中各类网络用户数量的关键状态（基准情境）

Table 5 Key states of different user groups in the extended SEIQR model (baseline scenario)

时间/天 易感者S/人 暴露者E/人 感染者I/人 康复者R/人 隔离者Q/人
1 990 10 0 0 0
2 988 7 2 3 0
25 190 86 222 347 155
44 25 0 6 499 470
52 25 0 0 507 468
111 25 0 0 975 0
…… …… …… …… …… ……
150 25 0 0 975 0
可以看出，网络舆情传播经历了成长期、爆发期、衰退期和平缓期共4个阶段，这与1986年美国危机管理学家S. Fink提出的危机生命周期理论[28]一致。在舆情传播初期，暴露者和感染者数量快速增加，网络舆情在人群中迅速传播，感染者用户数量在第25日达到峰值222，在此期间隔离者数量持续上升；传播高峰期过后，感染者数量逐渐减少，康复者数量逐渐增加；当t=111时，5类用户数量不再变化，此时网络中仅存少量始终未接触到舆情信息、未发生状态转移的易感者（人数稳定在25人）和已经进入终态、不再参与本轮舆情传播的康复者（人数稳定在975人）。当t=150时结束模拟，对应着舆情在5个月内即已结束传播，符合现实情境。
由此可见，改进SEIQR模型模拟的基准情境符合现实网络舆情传播情况。始终处于易感状态的用户代表了在某次舆情事件中未接收到相关舆情信息、未发生任何状态转移的网络用户；其余受到舆情波及并发生状态转化的网络用户，无论是否进一步经历感染、隔离阶段，最终均进入康复者终态，至此一轮网络舆情传播结束。

4 改进SEIQR模型治理情境的模拟与分析/ Simulation and analysis of different governance scenarios in the extended SEIQR model

本研究提出了网络舆情传播场景中三种主要的舆情治理对策，在基准情境的基础上分别引入“真相机制”“处罚机制”和“教育机制”，形成三种不同的网络舆情治理情境。在改进SEIQR模型中，实施不同的舆情治理对策将映射为参数的变化。由于模型设定中，各参数依照舆情演化的阶段顺序依次生效，因此参数的变化不仅反映治理对策的具体作用内容，亦包含不同对策介入舆情传播过程的时序逻辑。具体映射关系如表6所示。
表6 网络舆情治理对策与改进SEIQR模型参数的关系映射

Table 6 Mapping between online public opinion governance strategies and parameters of the extended SEIQR model

网络舆情治理对策 对应模型参数 参数调整策略 现实情境含义

政府公布事件全貌

（真相机制）

冷静率λ 1

冷静率λ 2

等比例提高，

保证λ 1＞λ 2

 提高权威信息发布、事实情况说明与辟谣回应的力度与时效

监管部门封禁措施

（处罚机制）

 禁止率γ 提高 对恶意用户、不实内容与异常传播行为进行监测、识别与封禁

社会环境宣传教育

（教育机制）

 感染率β 降低 通过社会宣传与引导提升公众信息甄别能力与审慎传播意识
在此基础上，本文以感染者峰值数量、舆情影响总人数和舆情传播周期等模型特征指标作为评估不同治理情境效果的主要依据。上述指标能够反映网络舆情传播链条活跃强度、波及规模与持续时间的变化，为比较三种情境下的治理效果提供统一的量化参照。

4.1 “真相”情境：政府公布事件真实信息

政府部门是网络舆情治理中的重要主体。在网络舆情爆发时，政府及有关部门及时发布权威、准确的信息，公开、透明地通报事件的调查进展，有助于降低信息不确定性，压缩谣言、不实信息和误读内容的传播空间。研究所模拟的“真相机制”主要指权威信息发布、事实澄清和辟谣回应对无序传播过程的抑制与调节作用：一方面，真实信息的及时公开能够保障权威信息传播路径畅通，提高事实信息在网络空间中的可见度，占据舆论主阵地；另一方面，权威信息能够影响网络用户的信息判断和传播意愿，促使部分暴露者和感染者放弃传播，转化为链条终态的康复者，在模型层面能够有效阻断负面舆情及不实信息的蔓延和扩散。
为分析政府及有关部门在网络上发布的事件全貌、辟谣信息等内容的具体影响，在仿真环境中，将冷静率λ 1从0.5提高至0.6，将冷静率λ 2从0.05提高至0.06。一方面能够模拟政府公布事件真相的力度，另一方面等比例提高冷静率能够保证感染者转化为康复者的可能性仍小于暴露者转化为康复者的可能性。该设定符合现实情况：网络舆情传播过程中，权威信息和辟谣内容对刚接触舆情信息、尚未参与传播的暴露者群体影响更为直接，部分暴露者可能在权威信息与自身判断的共同作用下放弃传播，转化为康复者；而对于已经参与并促进舆情传播的感染者群体，权威信息虽仍可能促使部分用户转变观念、停止传播，但其作用强度相对有限，因此在参数设置中需要保证λ1＞λ2。
起始至100日的网络用户数量变化曲线如图7所示，各类网络用户在若干关键状态下的数量分布如表7所示。
图7 改进SEIQR模型中各类网络用户数量变化曲线（真相情境）

Figure 7 Temporal evolution of different user groups in the extended SEIQR model (truth scenario)

表7 改进SEIQR模型中各类网络用户数量的关键状态（真相情境）

Table 7 Key states of different user groups in the extended SEIQR model (truth scenario)

时间/天 易感者S/人 暴露者E/人 感染者I/人 康复者R/人 隔离者Q/人
1 990 10 0 0 0
2 989 6 1 3 1
26 303 64 107 401 125
55 88 0 3 596 313
61 88 0 0 619 293
116 88 0 0 912 0
…… …… …… …… …… ……
150 88 0 0 912 0
在网络舆情传播情境中模拟政府公布事件全貌、澄清事实真相的机制，可以看出IPS=107，感染者峰值数量小于基准情境下的222人；Sn 为88人，始终未接触舆情信息、未发生状态转化的用户大于基准情境下的25人。上述结果表明，权威信息发布、事实说明与辟谣回应可以通过提高暴露者和感染者转化为康复者的概率，对传播链条中的感染者规模和舆情波及人数产生抑制作用。针对不同阶段的冷静率设计进一步说明，政府等有关部门及时发布真实可靠的官方信息可同时在暴露者、感染者阶段发挥作用，推动暴露者、感染者向康复者转化，显著削弱网络舆情传播强度，控制事态扩张规模。值得关注的是，舆情传播周期T=116，略微大于基准情境下的111日，这一看似反常的现象实则与舆情传播经常出现的“长尾效应”[29]有关，将在4.4节展开详细讨论与分析。

4.2 “处罚”情境：监管部门实施封禁措施

2025年6月20日，公安部在京召开了“净网”“护网”专项工作部署会[30]，要求持续依法严打侵犯公民个人信息、网络谣言、网络水军、网络暴力等突出网络违法犯罪。在治理网络舆情事件及其引发的网络违法犯罪问题时，应依法追究舆情制造者、谣言传播者的责任，加大惩处力度，根据严重程度、是否首发、转发次数等综合维度，视情况采取警告、禁言、封禁账号等措施，将感染者从舆情传播活动中强制剥离，使其转化为隔离者。提高对恶意用户的禁止率，可以显著降低负面舆情，清除网络空间中的不实信息与虚假信息，从而实现舆情治理。为分析监管部门对恶意传播负面舆情、发布不实信息等网络用户进行禁言、短期封号等处罚措施的具体影响，在仿真环境中将禁止率γ从0.2提高至0.4，运行程序。
在网络舆情传播情境中引入处罚机制后，起始至100日的网络用户数量变化曲线如图8所示，各类网络用户在若干关键状态下的数量分布如表8所示。
图8 改进SEIQR模型中各类网络用户数量变化曲线（处罚情境）

Figure 8 Temporal evolution of different user groups in the extended SEIQR model (penalty scenario)

表8 改进SEIQR模型中各类网络用户数量的关键状态（处罚情境）

Table 8 Key states of different user groups in the extended SEIQR model (penalty scenario)

时间/天 易感者S/人 暴露者E/人 感染者I/人 康复者R/人 隔离者Q/人
1 990 10 0 0 0
2 988 7 2 3 0
41 303 67 98 343 189
72 108 0 3 549 340
80 108 0 0 620 272
133 108 0 0 892 0
…… …… …… …… …… ……
150 108 0 0 892 0
根据图表结果，IPS=98，感染者峰值数量小于基准情境下的222人和真相情境下的107人；Sn 为108人，始终未接触舆情信息、未发生状态转化的用户远大于基准情境下的25人，说明监管部门对恶意传播舆情、伪造不实内容的用户进行禁言或暂时封号处理，能够显著遏制网络舆情的扩散，控制其传播规模。

4.3 “教育”情境：社会环境宣传教育引导

在网络舆情管控与治理中，面向社会公众进行教育与宣传十分关键。教育所能发挥的作用，一方面体现在“战时”，即舆情传播过程中的实时引导，另一方面则表现为“平时”，即日常的社会面宣传。前者的应用范围广阔、形式灵活，如主流媒体积极引导，在舆情初起阶段发布“不信谣，不传谣！”等提示类内容[31]，在舆情扩散阶段发布“谣言！已有多个账号被封”等警诫类内容[32]，可以有效地抑制公众传播负面内容的倾向。常态化的社会宣传则是本文重点讨论的措施，具体可分为以下4个层面：①通过涉舆情普法教育引导网民群体树立法律观念，明确“互联网并非法外之地”；②借助监管力量打造风清气正的网络空间氛围，推动网络环境健康有序发展，培养社会公众的责任感、认同感与归属感；③依托正向价值观，鼓励民众理性思考，提高信息甄别能力和事件判断能力，自觉形成抵制谣言和负面网络舆情的意识；④应注重课程教育，全方位、多手段提高公民媒体素养与科学文化素质。在模型中，社会面宣传教育发挥作用后，民众的辨别力和判断力增强，舆情传播更加困难，感染率β由0.05调整为0.03。
起始至100日的网络用户数量变化曲线如图9所示，各类网络用户在若干关键状态下的数量分布如表9所示。
图9 改进SEIQR模型中各类网络用户数量变化曲线（教育情境）

Figure 9 Temporal evolution of different user groups in the extended SEIQR model (education scenario)

表9 改进SEIQR模型中各类网络用户数量的关键状态（教育情境）

Table 9 Key states of different user groups in the extended SEIQR model (education scenario)

时间/天 易感者S/人 暴露者E/人 感染者I/人 康复者R/人 隔离者Q/人
1 990 10 0 0 0
2 989 6 3 2 0
42 459 50 95 248 148
89 165 0 1 602 232
93 165 0 0 642 193
140 165 0 0 835 0
…… …… …… …… …… ……
150 165 0 0 835 0
根据图表结果，IPS=95，感染者峰值数量小于基准、真相和处罚情境；Sn 为165人，始终未接触舆情信息、未发生状态转化的用户远大于其他情境，说明社会层面的教育与宣传具有突出的舆情治理效果。同等条件下传播舆情的感染者数量减少，表明更多用户由于自身媒体素养和信息甄别能力的提升，并未进一步参与传播，从而降低了传播舆情的感染者数量。而舆情传播人数的缩减使网络环境中有大量的用户未接触到舆情信息，显著降低了舆情的社会影响。

4.4 不同治理情境的效果比较与讨论

不同治理情境模拟的结果表明，政府相关管理部门、主流媒体、社交媒体平台、社会环境等多方主体可以通过设置真相议程、教育与处罚结合等方式，引导、监督和关注网络用户行为，整体把控舆情的传播方向和趋势，避免网络舆情向负面方向蔓延和扩散。
在模拟网络舆情治理政策的过程中，研究设定了发布真相、处罚封禁和宣传教育三种典型场景。值得注意的是，三种干预机制均旨在抑制舆情广泛传播，然而在模型仿真结果中，舆情传播周期T却呈现出不同程度的延长：从基准情境下的111日分别增长至116日（真相情境）、133日（处罚情境）及140日（教育情境），说明虽然舆情传播强度受到抑制，但传播持续时间却被“拉长”（图10）。这一结果揭示了网络舆情传播系统中一个重要的非线性动力学特征：传播速度的减缓并不等同于传播时间的缩短。从模型动力学角度来看，真相、处罚与教育等政策干预机制通过调整关键参数，有效压缩了单位时间内的状态转移规模（即每日新增感染者数量相比基准情境显著减少），但与此同时，也延缓了系统耗尽暴露者与感染者存量的速率，使得传播链条以更低的强度在更长的时间尺度上持续运转，最终导致传播周期T的延长。
图10 改进SEIQR模型不同治理情境下感染者数量变化对比

Figure 10 Comparison of infected user dynamics across different governance scenarios in the extended SEIQR model

这一结果也在既有复杂网络传播研究中得到学理印证。B. Min等[33]和M. Karsai等[34]的研究表明，人类活动往往具有爆发性和幂律等待时间特征，该类活动模式会显著减缓传播过程，使信息传播速度在长时间尺度上呈现幂律衰减趋势；Q. Yan等[35]基于新浪微博数据的研究进一步发现，网络中的信息传播同样受该模式影响。上述研究表明，仿真结果中网络舆情传播后期出现的低强度延续和缓慢收敛的“长尾现象”，符合复杂网络传播研究中信息传播的一般规律。
从现实网络舆情传播与治理过程看，网络舆情经平台管控后，往往并非即时终止，由此呈现出上述“拖尾”特征，具体表现为：受到限流、控评等措施影响的舆情，仍可能以碎片化转发、边缘化讨论等低强度形式延续扩散，并不能立刻停止传播；相关监管措施虽然能够抑制高峰阶段的集中传播，却也可能延缓用户信息接收、认知修正与意见趋同的进程。形成“拖尾期”的主要原因在于，舆情治理措施更多发挥着减缓传播速度、限制传播规模的作用，无法立即终止全部舆情传播活动和状态转移过程，因此舆情影响会在较长时间尺度上缓慢收敛，传播态势呈现出持续时间较长、传播强度较低的长尾特征。
由此可见，本研究提出的改进SEIQR模型较为成功地模拟与刻画出现实网络舆情传播后期低强度延续、缓慢收敛的传播特征。这一现象提示着舆情治理政策在降低传播总量、控制扩散规模的同时，还需兼顾干预时机与干预强度的匹配，避免陷入舆情影响长期延续的治理困境。

4.5 基于典型案例的模型适用性验证

本文选取日本核污染水排海引发的食盐抢购网络舆情事件作为典型案例，以验证改进SEIQR模型对现实舆情事件的适用性与解释力。2023年8月24日，日本启动福岛核污染水排海，相关信息迅速引发国内网络舆情，食品安全、食盐供应和“抢盐”等话题引发公众集中关注。部分网民产生风险联想和恐慌性判断，“抢盐”等信息在社交平台和网络空间中持续扩散，致使部分地区出现食盐抢购现象。8月28日，中盐集团在《关于保障食盐市场供应的声明》中指出，我国食盐产品结构中井矿盐占87%、海盐占10%、湖盐占3%，井矿盐和湖盐生产均不受日本核污染影响，并呼吁社会各界理性消费、不要盲目抢购[36]；中国消费者协会、腾讯新闻“辟谣工作室”等提醒广大群众“不信谣，不传谣”“擦亮双眼甄别网络信息”[37-38]。多地有关部门、盐业企业和媒体纷纷围绕食盐供应保障作出网络回应，维护价格秩序、引导理性消费，推动相关舆情逐步回落。
数据层面，本文以“抢盐”为关键词，选取2023年8月15日至9月30日期间的百度搜索指数作为评估网络舆情关注热度的指标，并以2023年8月15日为起始时间点绘制关注热度曲线，用于观察真实网络舆情事件的阶段性变化。百度搜索指数反映公众对事件相关信息的主动检索和关注强度，能够表征现实网络空间中舆情事件的总体活跃程度，用于衡量网络舆情事件的外部热度表现。该指标与模型仿真结果均体现信息刺激、公众关注、话题扩散和治理回应等因素共同作用下的综合传播变化，因此可用该指标辅助判断真实网络舆情事件是否呈现出与模型结果相契合的阶段性传播形态。
如图11所示，关键词“抢盐”的搜索指数在日本核污染水排海前整体处于低位，说明事件尚未形成大规模公共舆情；8月24日，日本启动核污染水排海后，搜索指数快速上升，并于8月25日前后达到峰值。峰值超过30 000，表明大量网民在短时间内集中接触、检索和关注相关信息，舆情进入快速扩散阶段；随后，伴随着食盐供应保障等权威信息发布，以及多地官方网站的消费与宣传引导，搜索热度迅速回落，说明相关治理回应对缓解公众疑虑、降低恐慌情绪和推动舆情降温发挥了明显作用；8月下旬以后，曲线进入低位延续状态，舆情热度并未立即消失，而是呈现出长尾收敛特征。整体而言，该事件经历了酝酿期、升温期、爆发期、回落期和延续期等阶段，与改进SEIQR模型仿真中舆情传播由扩散爆发到衰退平缓的阶段性特征趋于一致。
图11 日本核污染水排海引发食盐抢购网络舆情的关注热度曲线

Figure 11 Public attention curve for online public opinion on salt panic buying triggered by Japan's discharge of nuclear-contaminated water

从与模型机制的对应关系看，核污染水排海信息进入公共舆论场后，大量网民开始搜索和关注“抢盐”相关信息，对应模型中易感者转化为暴露者的过程；在舆情扩散过程中，部分用户在接触信息后，基于信息判断和风险认知并未参与讨论或转发，转变为康复者；另一部分用户则进一步转发、扩散带有恐慌情绪的信息，提醒或呼吁公众抢购、囤积食盐，从暴露者转化为感染者。随后，中盐集团和多地政府部门发布食盐供应、产品结构、价格监管等权威信息，媒体同步呼吁公众“不信谣，不传谣”“理性消费”，公众对食盐短缺和污染风险的担忧逐步缓解，部分已经参与传播的用户停止扩散相关信息，从感染者转化为康复者。
同时，该案例中的权威信息发布和媒体宣传引导，一定程度上验证了改进SEIQR模型引入“真相”与“教育”机制评估治理效果的合理性，也为新参数的设置提供了现实参照。政府及相关企业通过及时澄清食盐供应和污染程度等关键事实，改善了网络舆情传播中的信息环境，降低了公众的未知感与恐慌感；媒体宣传和理性消费引导则进一步强化了公众对谣言信息的识别能力，推动部分用户停止关注、转发和扩散相关信息。二者共同作用，使舆情热度由高位快速回落，并在短期延续后逐步收敛。
结合日本核污染水排海引发的食盐抢购网络舆情事件可以看出，真实舆情的阶段性演化与改进SEIQR模型所刻画的传播链条具有较高契合度。该案例进一步说明，改进SEIQR模型能够从用户行为选择、状态转移关系及动态演化过程等层面，对网络舆情扩散、回落与收敛机制进行较为细致的刻画；前文设置的多元治理情境也能够在现实治理实践中获得相应支撑。由此，典型案例分析补充验证了改进SEIQR模型在网络舆情传播机制解释和政策情境推演中的适用性。

5 结语/ Conclusion

本文以网络舆情传播过程为研究对象，通过对比分析多种传染病传播模型，选取SEIQR模型并结合网络环境现实特点及网络舆情传播特性进行改进，通过与基础SEIQR模型的对比验证发现，改进SEIQR模型的主体状态、参数设定和转移规则更贴近真实的网络空间情况。随后，采用AnyLogic仿真平台中的多主体建模技术对基准情境与舆情治理干预措施下的网络舆情传播过程进行建模与模拟。模型中先后引入了真相发布、处罚封禁和宣传教育三种治理政策机制，通过观察人工网络系统中用户的状态变化与转换动态，探究舆情管控措施对网络舆情传播的影响，进而总结出治理与控制网络舆情传播的有效对策。仿真结果表明，在改进SEIQR传播模型中，治理机制的引入使得舆情传播峰值降低，直接影响的总网民群体规模减小，舆情传播与扩散速度下降，但舆情传播周期将延长。研究得出结论：在本文模型设定下，真相、教育与处罚机制能够通过影响网络用户的状态转移过程，对舆情在网络环境中的扩散与传播产生不同程度的抑制作用。在舆情传播过程中进行多元政策干预，可以降低感染者峰值，减缓传播速度，缩减影响范围，为维护网络空间环境的清朗、稳定和安全提供有效参考。
整体而言，本研究在三个方面具有创新意义。首先，对传统模型进行优化设计。基于我国网络舆情的传播特点及管控机制，从模型构建、基本假设、主体状态、参数设定、转移规则等多方面对基础SEIQR模型进行优化和调整，旨在符合现实网络用户的行为特征，系统化、全链条地刻画网络舆情传播动态。改进SEIQR模型能够更为全面地描述网络舆情传播的周期过程，更细致地呈现不同舆情治理策略的应用效果，为网络舆情传播管理提供新的理论研究工具。其次，治理对策具有合理性、科学性与可行性。将复杂多样的舆情管控策略总结归纳为“真相”“处罚”“教育”三重机制并提供具体实施方案，有助于舆情监管部门针对性设计和精准化干预，减轻或消除网络舆情可能带来的社会负面影响，引导网民逐步形成对社会事件的理性认知，更好地建设与维护清朗和谐、安全稳定的网络社会。最后，促进了多学科交叉融合。本文的研究方法和结论可在一定程度上为信息传播学、公共关系学、管理学及情报学等多学科的交叉研究提供借鉴。
在现有研究基础上，未来研究可从三个方向进行拓展。在模型验证方面，本文已结合典型网络舆情事件对模型适用性进行了案例验证，后续可进一步引入平台互动数据、媒体报道数据等多源舆情数据，对模型在不同类型舆情场景中的解释力开展补充验证，从而增强研究结论的跨情境适用性；在模型优化方面，可进一步细化改进SEIQR模型的参数体系，例如调整康复率θ以区分“隔离者”中遭受短期禁言与账号永久封禁的不同类型用户，从而更充分地刻画平台管控措施的异质性效果；在理论融合方面，可结合传播学中“沉默的螺旋”“议程设置”等典型理论展开进一步分析，深化对网络舆情传播机制与治理对策的仿真研究，重点探索网络舆情管控措施的介入时机、作用时效与边界限度，以期为精准化舆情治理提供更具理论深度的分析框架。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中国互联网络信息中心. 第57 次中国互联网络发展状况统计报告[EB/OL]. [2026-06-10].

China Internet Network Information Center (CNNIC). The 57th statistical report on internet development in China[EB/OL]. [2026-06-10].

[2]
Kermack W O, McKendrick A G. Contributions to the mathematical theory of epidemics—I[J]. Bulletin of mathematical biology, 1991, 53(1/2): 33-55.

[3]
谭娟. 基于传染病模型的社交网络舆情话题传播[J]. 计算机工程与应用, 2015, 51(12): 118-122.

Tan Juan. Public opinion topics propagation in social network based on infectious disease model[J]. Computer engineering and applications, 2015, 51(12): 118-122.

[4]
丁学君. 基于SIR的SNS网络舆情话题传播模型研究[J]. 计算机仿真, 2015, 32(1): 241-247.

Ding Xuejun. Research on propagation model of public opinion topics in SNS based on SIR[J]. Computer simulation, 2015, 32(1): 241-247.

[5]
赵剑华, 万克文. 基于信息传播模型-SIR传染病模型的社交网络舆情传播动力学模型研究[J]. 情报科学, 2017, 35(12): 34-38.

Zhao Jianhua, Wan Kewen. Research on the communication dynamics model of social network public opinion based on the SIR model[J]. Information science, 2017, 35(12): 34-38.

[6]
Hethcote H W, van den Driessche P. An SIS epidemic model with variable population size and a delay[J]. Journal of mathematical biology, 1995, 34(2): 177-194.

[7]
Escalante R, Odehnal M. A deterministic mathematical model for the spread of two rumors[J]. Afrika matematika, 2020, 31(2): 315-331.

[8]
Li M Y, Muldowney J S. Global stability for the SEIR model in epidemiology[J]. Mathematical biosciences, 1995, 125(2): 155-164.

[9]
Guo Hao Ming, Yan Xue Feng, Cui Peng. Modeling and simulation of rumor propagation based on multiple contact mechanism and incentive effect[J]. Journal of applied mathematics and computing, 2023, 69(5): 3625-3644.

[10]
Chen Xue Long, Wang Nan. Rumor spreading model considering rumor credibility, correlation and crowd classification based on personality[J]. Scientific reports, 2020, 10(1): 5887.

[11]
Zhang Qian, Li Xian Yong, Du Ya Jun, et al. Dynamical analysis of an SE2IR information propagation model in social networks[J]. Discrete dynamics in nature and society, 2021(1): 5615096.

[12]
陈帅, 司光亚, 王艳正. 基于SEI3R的微信舆情演化模型[J]. 信息工程大学学报, 2021, 22(2): 222-227, 240.

Chen Shuai, Si Guangya, Wang Yanzheng. WeChat public opinion evolution model based on SEI3R[J]. Journal of Information Engineering University, 2021, 22(2): 222-227, 240.

[13]
畅雅雯, 杨波, 高玥琳, 等. 基于SEIR的微信公众号信息传播建模与分析[J]. 计算机科学, 2022, 49(4): 56-66.

Chang Yawen, Yang Bo, Gao Yuelin, et al. Modeling and analysis of WeChat official account information dissemination based on SEIR[J]. Computer science, 2022, 49(4): 56-66.

[14]
魏静, 黄阳江豪, 林萍, 等. 基于改进SIR模型的微博网络舆情传播研究[J]. 情报科学, 2019, 37(6): 16-22.

Wei Jing, Huang Yangjianghao, Lin Ping, et al. Public opinion transmission of micro-blog network based on improved SIR model[J]. Information science, 2019, 37(6): 16-22.

[15]
王筱莉, 张静, 赵来军, 等. 基于改进SEIR模型的微博舆情衍生话题传播研究[J]. 信息资源管理学报, 2022, 12(4): 95-104, 120.

Wang Xiaoli, Zhang Jing, Zhao Laijun, et al. Research on microblog public opinion derived topic communication based on improved SEIR model[J]. Journal of information resources management, 2022, 12(4): 95-104, 120.

[16]
Zhao Lai Jun, Wang Jia Jia, Chen Yu Cheng, et al. SIHR rumor spreading model in social networks[J]. Physica A: statistical mechanics and its applications, 2012, 391(7): 2444-2453.

[17]
Zan Yong Li, Wu Jian Liang, Li Ping, et al. SICR rumor spreading model in complex networks: Counterattack and self-resistance[J]. Physica A: statistical mechanics and its applications, 2014, 405: 159-170.

[18]
Xia Ling Ling, Jiang Guo Ping, Song Bo, et al. Rumor spreading model considering hesitating mechanism in complex social networks[J]. Physica A: statistical mechanics and its applications, 2015, 437: 295-303.

[19]
Lv Rong Jian, Li Hua, Sun Qiu Bai, et al. Research on panic spread and decision behaviour in a delayed SEIR evolutionary game model under an emergency[J]. Scientific reports, 2023, 13(1): 17360.

[20]
Wang Ya Qi, Yang Xiao Yuan, Han Yi Liang, et al. Rumor spreading model with trust mechanism in complex social networks[J]. Communications in theoretical physics, 2013, 59(4): 510-516.

[21]
Sun Rui, Luo Wan Bo. Rumor propagation model for complex network with non-uniform propagation rates[J]. Applied mechanics and materials, 2014, 596: 868-872.

[22]
Yang An Zhi, Huang Xian Ying, Cai Xiu Mei, et al. ILSR rumor spreading model with degree in complex network[J]. Physica A: statistical mechanics and its applications, 2019, 531: 121807.

[23]
Qiu Li Qing, Jia Wei, Niu Wei Nan, et al. SIR-IM: SIR rumor spreading model with influence mechanism in social networks[J]. Soft computing, 2021, 25(22): 13949-13958.

[24]
胡凯茜, 李欣, 刘明帅. 演化视角下的网络暴力治理研究——基于SEIQR模型[J]. 情报杂志, 2025, 44(1): 146-154.

Hu Kaixi, Li Xin, Liu Mingshuai. Research on governance of cyber violence from the evolutionary perspective: based on SEIQR model[J]. Journal of intelligence, 2025, 44(1): 146-154.

[25]
Bonabeau E. Agent-based modeling: methods and techniques for simulating human systems[J]. Proceedings of the National Academy of Sciences, 2002, 99(S3): 7280-7287.

[26]
Macal C M, North M J. Tutorial on agent-based modelling and simulation[J]. Journal of simulation, 2010, 4(3): 151-162.

[27]
Tran M H. A Markov multiple state model for epidemic and insurance modelling[J]. ASTIN bulletin: the journal of the IAA, 2024, 54(2): 360-384.

[28]
Fink S. Crisis management: planning for the inevitable[M]. New York: American Management Association, 1986.

[29]
彭榕. 网络谣言与公共秩序——基于“长尾理论”的观察视角[J]. 学术交流, 2018(6): 120-125.

Peng Rong. Internet rumors and public order: an observation based on the “long tail theory”[J]. Academic exchange, 2018(6): 120-125.

[30]
中华人民共和国公安部. 2025年“净网”“护网”专项工作部署会召开[EB/OL]. [2026-06-12].

Ministry of Public Security of the People's Republic of China. Meeting on “Clean Net” and “Protect Net” special campaign in 2025[EB/OL]. [2026-06-12].

[31]
中国互联网联合辟谣平台. 面对谣言: 勿听！勿言！多思！[EB/OL]. [2026-06-12].

China Internet Joint Platform for Refuting Rumors. Facing rumors: do not listen, do not spread, think more![EB/OL]. [2026-06-12].

[32]
澎湃新闻. 造谣会封号！中央网信办通报首发谣言典型案例, 5400余个账号被处置[EB/OL]. [2026-06-15].

The Paper. Accounts spreading rumors will be banned: Cyberspace Administration of China reported typical rumor cases, over 5400 accounts penalized[EB/OL]. [2026-06-15].

[33]
Min B, Goh K I, Vazquez A. Spreading dynamics following bursty human activity patterns[J]. Physical review E: statistical, nonlinear, and soft matter physics, 2011, 83(3): 036102.

[34]
Karsai M, Kivelä M, Pan R K, et al. Small but slow world: how network topology and burstiness slow down spreading[J]. Physical review E: statistical, nonlinear, and soft matter physics, 2011, 83(2): 025102.

[35]
Yan Qiang, Wu Lian Ren, Liu Chao, et al. Information propagation in online social network based on human dynamics[J]. Abstract and applied analysis, 2013(1): 953406.

[36]
国务院国有资产监督管理委员会. 中盐集团关于保障食盐市场供应的声明[EB/OL]. [2026-06-18].

State-owned Assets Supervision and Administration Commission of the State Council. Statement by China Salt Group on ensuring the supply of the salt market[EB/OL]. [2026-06-18].

[37]
央视网. 中国消费者协会消费提示: 谨慎对待 无需抢购[EB/OL]. [2026-06-18].

CCTV News. Consumer advisory from the China Consumers Association: exercise caution and avoid panic buying[EB/OL]. [2026-06-18].

[38]
腾讯网. 辟谣工作室 | 日本核污染水排海后, 第一波谣言已被辟谣[EB/OL]. [2026-06-18].

Tencent News. Rumor Debunking Studio | After Japan's discharge of nuclear-contaminated water into the sea, the first wave of rumors has been debunked[EB/OL]. [2026-06-18].

Options
Outlines

/

〈 〉