疫情信息怎样影响疫情演化：一个计算实验模型

本刊官方网站：

http://cjjc.ruc.edu.cn/

摘要

采用基于行动者的模型（ABM），制作包含病毒特征、疫情信息传播、封控措施和资源供应的模拟系统，本研究使用计算实验探索了疫情信息在不同系统条件下对疫情演化的影响。研究发现：（1）在缺乏其他干预措施的条件下，疫情信息单独便会对疫情后果有一定影响；（2）疫情信息与其他干预措施（如资源供应和封控规模）的交互作用对疫情控制影响明显，在资源供应和封控规模适度的条件下，正面影响显著；（3）疫情信息的影响受病毒状态制约，效果依据具体情境呈现出非线性特性，增强信息传播和封控干预不一定产生更好的疫情控制效果。模拟还显示疫情信息影响复杂多变，适应所有情境的疫情信息传播、资源供应和封控措施组合十分罕见。本研究为在数据受限条件下探索疫情信息影响提供了新的路径，丰富了对疫情信息影响机制的理解。

作者简介

赵汗青，上海交通大学媒体与传播学院博士研究生。

葛岩（通讯作者），上海交通大学媒体与传播学院特聘教授，心理与行为科学研究院特聘研究员。

印闯，上海交通大学舆论学研究院助理研究员。

秦裕林，上海交通大学凯原法学院特聘访问教授。

基金项目

本文系国家社会科学基金重点项目“模拟舆论极化的生成机制和治理策略研究”（项目编号：21AXW006）的阶段性研究成果。

一

背景和问题

疫情信息对疫情演化的影响是广为关注的问题。疫情信息能够唤起警觉，推动保护行为采纳，降低感染率（Kim，Fast & Markuzon，2019），也会散播恐慌、诱发非理性资源消耗，动摇社会稳定。概言之，疫情信息兼具积极和消极的影响（Garfin，Silver & Holman，2020；Arafat，Islam & Kar，2020；Arafat et al.，2021：65-80）。

一个显见的事实是，疫情信息在社会系统中传播（Morse，2001：8-26；Fink，Keyes & Cerda，2016），通过与其他系统变量的交互作用产生影响（Tracy，Cerda & Keyes，2018；Hunter，Mac Namee & Kelleher，2018) 。如果没有其他控制措施（如取消封控，缺少必要的医疗资源），疫情信息还有积极作用吗？如果加大干预力度，如扩大封控规模、强化疫情信息传播，能否更好地控制疫情？若不尽然，什么样的系统组合条件能有效地抑制疫情？回答这类问题，有必要对疫情信息与其他变量交互作用做系统化的考察。

使用基于行动者的模型（Agent-based Model，ABM），我们制作了一个社会模拟系统（或人工社会），回答本研究的中心问题：在什么样的系统条件下，疫情信息能够对疫情演化结果产生积极和显著的影响？

二

方法：ABM模拟与计算实验

ABM社会模型包含三个主要部分：（1）异质、自主的行动者（agent，无论指细胞、病菌、个体动物/人类、部落、党派或机构）；（2）行动者的活动或环境；（3）行动者之间，行动者与环境之间的互动规则。ABM强调自主、异质行动者与环境间的局部互动，关注局部互动如何自下而上生成全局现象（Macy & Willer，2002；Gilbert，2002）。

由于计算机程序制作的模型能够增减变量，调整变量水平，便于观察变量之间是否有关联性，这种关联能否被介入改变，能否在反事实（counter-factual）情境下加以检验。因此，模拟方法常被用来做计算实验（Bankes，Lempert & Popper，2002；薛霄等，2023）。

计算实验首先需要搭建一个社会模拟系统。虽然过往文献已显示出哪些系统构件更为重要，但碎片化、依赖截面数据的已有研究常缺乏有普遍代表性的数据。例如，没有哪个国家或地区提供了较完整的新冠疫情数据。即便我们大体知道哪些系统构件的交互关系应该纳入模型设计，却缺少可靠的经验数据来量化这些关系。

计算实验允许在对系统不够了解的条件下量化不确定的参数（uncertainty quantification）。在合理范围内，研究者可以任意选择参数输入，生成虚拟情境，通过“历史匹配”（history matching）方法，推测模型输出与真实数据的关系（Volodina & Challenor，2022）。例如，在难以确定真实系统中的病毒感染率和死亡率时，计算实验允许模拟各种参数组合，推测可能的病毒状态和疫情发展趋势。

模拟系统不可能与真实系统完全一致，两者有时可能差之千里。朴素经验主义者因此质疑模拟的价值。然而，在阿克塞尔罗德（R. Axelrod）看来，模拟没有必要准确符合真实场景，其目标是丰富对“事物变化根本性过程的理解”（Axelrod，2003）。卡雷（K. Carley）则相信，模型的简化、透明和与真实数据充分拟合是两种追求，二者“存在明显的张力”。前者长于叙事，易于理解，理论化程度高，却有失去对真实世界解释力的危险；后者与经验联系紧密，但可能丢掉理论解释的普遍性。她建议，模拟应该在二者间取得平衡（Carley，2002）。

问题在于，什么是简化和复杂之间的适当“平衡”？按照研究目的对模型做出分类不失为一种解决方案。以鲍埃罗（R. Boero）和斯库祖尼（F. Squazzoni）的模型分类为例（Boero & Squazzoni，2005）：

案例模型：针对有具体时空性质，案例模型多对特定案例有较强描述和预测能力，追求与证据高度拟合。案例模型或会使用常见理论术语建立假说，但不刻意追求发现的普遍性、新颖性。用马克斯·韦伯的话说：它们更像是在呈现“历史上的个别（现象）”（参见Boero & Squazzoni，2005）。这不是说，案例模型仅限于理解个别现象。当案例模型扬弃了冗余的细节，获得一定程度的抽象，延伸到对类似现象的解释时，也可能提供具有普遍性的启示。

典型化模型：典型化模型关注一类现象的根本性特征。例如，戈什克等人（D. Geschke）构建了一个包含随机接触、朋友发送、中心发送和算法推荐的系统（Geschke，Lorenz & Holtz，2019），发现自我确认偏向（confirmation bias)和算法推送是催生回音室的基本动力。显然，回音室的出现和消失还受到其他因素影响，但在戈什克等人看来，他们的模型揭示了理解回音室的“元理论框架”（metatheoretical framework）。模型高度简化，却不失典型性。

理论抽象模型：理论抽象模型几乎无法与经验证据直接拟合，其目的是呈现理论洞察。阿克塞尔罗德对自利如何演化出合作的模拟（阿克塞尔罗德，1984/2017），谢林（T. Schelling）对种族隔离居住模式动力的模拟（Schelling，1971）是这类模型的代表。

谢林模型以简单规则模拟个体互动：白人和黑人行动者倾向于居住在同种族邻居比例达到一定阈值的地区。模型表明，即使个体仅根据自身偏好做出选择，社会化的种族隔离居住模式也会涌现。谢林模型并未试图拟合实际居住选择，但揭示出宏观模式如何从简单的微观动机中涌现。后续研究以此为母版，通过引入更多变量，例如居住范围、人口密度等，进一步扩展了谢林模型的应用范围 （Abella，San Miguel & Ramasco，2022）。

由于缺少具体疫情事件的充足数据，我们无意制作案例模型；由于期望对现实问题有相对直接的投射力，我们也不打算制作高度抽象的理论模型。我们试图参考已有证据，提炼出尽可能符合KISS（keep it simple and stupid）原则、有助于理解疫情信息影响的“根本性过程”的最简模拟系统，大体属于“典型化模型”。

三

文献回顾：建立概念模型

在真实社会中，影响疫情信息作用的变量很多，如病毒基本特征（如感染率、死亡率、康复率等）、感染介质（如食物、粪便、身体接触、空气等）、感染方式（如深度接触、轻度接触、活动场合和范围），防控手段（如疫苗、特效药、护理方法、卫生习惯、封控等），人们面对疫情信息时的心理和认知反应（如惧怕、从众、已有信念、自我效能感、对权威的信任感等），社会整体环境（如贫困程度、教育程度、宗教信仰、社会组织等），政府干预能力（如药物/疫苗开发、安全行为推广、封控规模、资源供应等），医疗资源（如医疗人员规模、医院和医疗设备数量等）。显然，纳入大量变量的模型容易失去研究焦点。本部分的任务是选择对疫情演化有根本性影响的系统构件，建立删繁就简的概念模型。

（一）病毒特征与病毒状态

病毒传播状态是模拟系统基础构件。SIR是出现最早，至今广为使用的相关模型（McKendric & Kenmack，1927；Chubb & Jacobsen，2010）。模型中， S（susceptible）表示有感染风险的个体，易感者；I（infected）表示被感染个体，感染者；R（recovered）表示康复者。部分研究扩展SIR，引入死亡者D （deceased），形成SIRD。易感者通过感染率λ转变为感染者，通过康复率ρ转换为康复者（图1，自Chubb & Jacobsen，2010）或通过死亡率φ逝去。感染率λ和死亡率φ常被用来描述病毒状态。

（二）疫情信息

疫情信息是本研究考察的核心对象，因此是系统核心构件，涉及信息发布主体、散播渠道、内容类别，也涉及信息如何作用于公众认知和行为。

1．信息来源、渠道和影响力

疫情信息发布主体，如政府、科学机构、公益组织和个人，传播渠道包括大众媒体、社交媒体、人际交流。有研究显示，主流大众媒体是人们获取疫情信息的主要渠道（Fischhoff，Wong-Parodi，Garfin，Holman & Silver，2018；Rajkumar，2022），也有研究发现，社交媒体、人际传播的影响更为明显（Li，Chen，Yang & Cong，2020）。有研究发现，政府发布的疫情信息更具权威性（Lu，Ji，Zhang，Zheng & Liang，2021），也有研究显示，不同主体、渠道发布的信息影响不同方面的公众信念和行为。如王冬和石曾萍发现，组织传播对防护行为采纳的作用最强（王冬，石曾萍，2023）；徐（Seo）发现，传统媒体更可能增加有关疫情的知识，社交媒体对行为的影响更为直接（Seo，2021）。

2．信息内容和行为影响机制

有证据表明，疫情信息唤起惧怕和警觉，增加相关知识（Smith，Coles，Johnson，Saldana，Ihekweazu & O’Moore，2009；Lachlan，Spence，Lin，Najarian & Greco，2016），促进防护行为采纳（Seo，2021；Jiang，Hwang，Shah，Ghosh & Brauer，2021) ，提高疫苗接种率（Chen，Croitoru & Crooks，2023），起到降低感染率、抑制疫情扩散的正面作用（Kim，Fast & Markuzon，2021；Retzla et al.，2022）。也有证据表明，疫情信息会诱发心理失常（Bao，Sun，Meng，Shi & Lu，2020；Duan & Zhu，2020；Sim，Chua，Vieta & Fernandez，2020；Twenge & Joiner，2020），带来恐慌性购买、非理性囤积等负面行为，增加抗疫成本，动摇社会稳定（Yuen，Wang，Ma & Li，2020；Sulaiman，Iskandar & Pratiwi，2021）。

为建立正面、负面信息内容和积极、消极行为之间的联系，研究者多使用公认的正面（如有关疫情状态的政府和科学报告，合理的防范措施建议）、负面（如无法证实的流言，刻意制造的虚假新闻，抵制防范措施的言论）信息制作问卷，测量不同信息带来的认知和行为后果。这种方法适合解释信息在静态环境中带来的后果，但难以在动态系统中观察信息的影响，因此需要从以下三个方面进一步审视。

首先，信息内容判断存在多重面向。以真实性为标准，科学报告理应为正面信息。若以社会效果（如是否有助于维护社会稳定）为标准，一些真实信息（如死亡人数迅速增加、医疗资源匮乏）可能带来人心浮动，社会失序，理应为负面信息。而且，遇到如新冠这种专家们也知之不多的病毒，此时被视为正确的观点，彼时却可能遭到质疑，真实性判断变得扑朔迷离。若疫情被政治化，不同国家可能会彼此甩锅，带来立场先行、无法达成共识的舆论大战。其次，个体对疫情信息的反应也会存在差异，对信源的信任程度、相关知识准备、意识形态、性格倾向等，都会影响个体对信息的解读和行为选择（Featherstone，Bell & Ruiz，2019；Kennedy，2019；李晓静，2020；Calvillo，Ross，Garcia，Smelter & Rutchick，2020；Puri，Coomes，Haghbayan & Gunaratne，2020；Rao et al.，2021；Mønsted & Lehmann， 2022；Jiang，Chen，Yan，Lerman & Ferrara，2020；Baliettia，2021；Jost，Baldassarri & Druckman，2022）。脱离个体特征，很难解释信息内容与行为的关系。

再次，动态呈现现象变化是模拟系统的基本特征，每一轮迭代可能意味着新信息的出现、局部环境的改变、个体认知和行为意向的调整。先判断蜂拥而来的信息在内容意义上是真实还是虚假，再判断这些信息在社会效果意义上是积极还是消极，还要判断这些信息经个体调节或中介后带来的认知、行为是正面还是负面，每一步都存在不确定性。而“预制化”的正面、负面信息难以捕捉动态系统中信息、环境、认知和行为之间复杂的互动关系。

我们注意到，一些经验研究避免了对信息内容的简单分类，而是把疫情信息看作一个整体。研究发现，所谓正面信息也可能带来负面后果，反之亦然（Arafat，Islam & Kar，2020；Arafat et al.，2021：65-80；Chen，Jin，Yang & Cong，2022；Keane & Neal，2021）。在健康信念模型（Health Belief Model）框架下，海塔等人在魁北克地区实施了连续六个月的追踪调查，刻画出从疫情信息到行为选择的过程，适合解释整合疫情信息变量的基本思路（Hita，Grégoire，Bruno，Boissonneault，Vandenberghe & Sénécal，2022）。

海塔等人把内容有别的疫情信息整合为媒介接触（media exposure），发现无论渠道、介质（如政府公告、主流大众媒体、网络媒体、社交媒体和人际交流）和内容（如严肃报道或无法验证的流言），疫情信息经媒体传播后，会带来普遍但程度不同的恐惧感。这种恐惧感会参与个体的疫情感知，包括对疫情严重性、病毒易感性、健康行为（如保持社交距离）有效性的感知，进而推动洗手、戴口罩、保持社交距离等正面行为，同时也诱发恐慌性购买，非理性囤积等负面行为。作者发现，个体特征，特别是批判性思维能力，会调节两类行为各自的发生概率。批判性强，更可能选择积极行为；批判性弱，更可能做出非理性选择。虽然海塔等人提出的信息-行为影响机制尚不完整，但他们的研究表明，疫情信息可以整合为统一的系统构件。

（三）政府干预措施（封控）和资源供应

政府干预是影响疫情演化的有力变量。其中，大规模封控能阻截病毒传播，降低感染率，是有效的干预措施。但同时，封控会消耗大量资源，涉及成本收益权衡（Alvarez，Argente & Lippi，2021；Pak，Adegboye，Emma & McBryde，2021）。在尽可能降低感染率、死亡率的同时，决策者还须努力减少经济成本（Acemoglu，Chernozhukov，Werning & Whinston，2020）。

（四）概念模型

我们从以上梳理中提炼出一个概念模型，表示影响疫情演化的基本系统构件以及它们之间的关系（图2）。

1．病毒状态。由引发疫情病毒的感染率、死亡率表征，是带来疫情演化的起始动力。

2．疫情信息。是社会对疫情做出的反应形式之一，能够带来行为改变，积极或消极地影响疫情演化。

3．封控措施。是社会对疫情的强力反应形式，多由政府主导，能够在不同程度上切断病毒传播路径，抑制疫情扩散，但同时也会限制个体自由，降低经济活动水平，大量消耗经济资源。

4．资源供应。疫情诱发的个体行为、封控措施都会消耗医疗和其他社会资源，资源消耗总量是社会控制疫情的经济成本。

5．疫情后果。社会系统构件的交互作用决定性影响疫情演化后果，后果包括但不限于死亡人数、经济成本和疫情时长。

就理解疫情演化而论，这是一个具有普遍性的社会系统结构。虽然缺少某个构件（如禁止疫情信息传播、资源供应几近于无）的社会也会存在，但数量稀少、条件极端，不具典型性。

四

计算模型

阿本德（G. Abend）主张，理论可以看作是“一般化的命题，或者在逻辑上相连的一般命题系统，它在两个或多个变量之间建立了一种关系。”（Abend， 2008）。据此，我们的概念模型是一类理论或理论假说，在思维层面建立了疫情信息和社会系统的关系。本节尝试把概念模型转化为计算实验模型，以求从概念模型表示的理论假说中生成以数据输出为形式的演绎结果。

（一）基础架构

我们的ABM计算模型（人工社会）称作媒体与疫情（Media And Pandemic， MAP）。MAP包含500名行动者，分布在80×80的方格空间内，并通过小世界网络模拟人际接触关系（Watts & Strogatz，1998）。在小世界网络上，每个行动者占据一个节点，有直接连边的行动者互为邻居，邻居间可以感知彼此的疫情状态（如是否感染，隔离，去世）。初始状态下，行动者在网络上随机分布，包括作为 “种子”的少量感染者（默认为5个）。

（二）行动者分类和病毒传播

MAP设定基础感染率λ、康复率ρ、死亡率φ，用λ和φ组合表示病毒状态。病毒按照λ在邻居间传播，邻居越多的行动者与他人接触机会越多，越可能被他人感染，并把病毒传染给他人。感染后的行动者可能按照ρ康复，也可能保持感染状态或按照φ离世。康复者仍可能再被感染。

行动者分为两个群体：普通人群和高危人群。普通人群的感染率低于高危人群。两群体都包含自愈和治愈两个子群体。在一定时间内（默认为3个时步），自愈类行动者按照ρ自行康复；治愈类行动者必须获得（按照资源水平随机分配的）资源才会痊愈，未能得到资源者或依φ离世，或停留在感染状态。和普通人群比较，高危人群中自愈者占比小，康复率ρ'较基础康复率ρ为低（默认为 ρ'=1/2ρ），死亡率φ'较基础死亡率φ为高（默认为φ'=1.5φ）。

（三）疫情信息

MAP整合了疫情信息，没有详细区分信息渠道和内容，而是划分出全局（globalinformation）和局部信息(localinformation）。前者指社会范围内公开、广泛传播的信息；后者指个体在与物理、心理距离相近者构成的环境中（如朋友圈、人际交流接触、对邻居直接观察）中获得的信息。

全局信息的传播规模由信息人口覆盖范围globalcoverage∈（0.00，1.00）控制。如，globalcoverage = 0.00，信息规模为0.00，表示没有行动者接触全局信息；globalcoverage=0.50，表示50%行动者会接收到1个单位全局信息：

就局部信息而言，MAP以网络距离指代亲属、朋友、同事、邻居等亲密者构成的局部信息环境。局部信息取决于与行动者直接相连的邻居的疫情状态，包括健康者、未被隔离的感染者、被隔离的感染者、被隔离的健康者，以及去世者。假定死者信息更引人关注，MAP引入参数（c>1）增强其效果（默认c=2）。局部信息量计算公式如下：

N为与行动者直接相连的节点数量，unlockedinfected为未隔离的感染者数量，locked为被隔离者数量（无论其感染状态），dead为去世者数量。

MAP使用一组算法把个体从信息接触，到接受，再到行为产生的过程处理成一系列概率事件。举例说明。开始运行后，系统生成θ和β两组正态分布的数值（范围 0.00~1.00, 默认均值=0.50，默认标准差=0.20）。把大于1.00的数转化为 1.00，把小于0.00的数转化为0.00后，再将所有数值随机分配给每个行动者。θ组表示行动者全局信息影响系数；β组表示行动者接受局部信息影响系数。

假定行动者Ai得到θ=0.5，β=0.3。假设公式1计算出Ai接触到1单位全局信息，Ai接受全局信息影响的概率为g_impact =1*θ=1*0.5=0.5。假设公式2计算出Ai接触到0.8单位局部信息，1_impact=0.8*β=0.8*0.3 =0.024，Ai接受局部信息影响的概率为2.4%。至此，Ai完成信息接触到接收（概率）的转变。

系统分别生成随机浮点数ƒ1和ƒ2（取值均在0至1之间），与g_impact和1_impact 比较，决定全局信息和局部信息是否会诱发行为。若ƒ1 i接受全局信息后诱发了行为，否则无行为产生。两次比较中只需一次通过，A i便完成从信息接受到行为发生的转变。A i是否能完成这一转变，受随机出现的ƒ1，ƒ2制约，但A i接触到的信息量的大小，也会对转变完成与否有重要影响。

那么，Ai会采取什么样的行为？系统再一次生成浮点数ƒ3∈（0.00~1.00），随机分配给那些已经通过前面比较的行动者。MAP默认，ƒ3在0.00~0.30之间，行动者选择消极行为；在0.31~0.70之间，同时选择积极和消极行为；在0.71~1.00之间，选择积极行为。这里的默认值是人为设定的，不同行为的数值分布范围可依据研究目的，参考经验数据调整。

（四）个体行为后果和资源消耗

在MAP中，行动者的行为通过改变病毒状态来影响疫情演化。举例说明。如果Ai（1）仅做出积极行为，其基础感染率λ（0.50）降低为λ'，λ'=0.3* λ=0.15；（2）仅做出消极行为，会消耗1单位资源，但感染率λ不变；（3）做出积极和消极两种行为，基础感染率λ降低为λ'，同时消耗1单位资源。

MAP还设定，如果Ai已感染，即使未被疫情信息影响，仍会消耗1单位资源且康复率ρ提高0.10，ρ'=ρ+1/10ρ。但康复率提高以获得随机分配的资源为前提。资源供应水平越高，个体得到资源的概率越大。

每轮运行中，MAP依随机顺序计算行动者信息接触、接受和行为选择、感染率变化、康复率变化、资源消耗，并在删去本轮死者后，记录死亡人数。完成一轮运行后，MAP调整小世界网络（重连率 = 0.10，即10%的节点重新连接），表征信息环境的动态过程。

系统依此迭代，直至内生或外生变量出现，如疫苗和特效药、彻底切断感染途径（如传染病地区被完全隔离）、病毒自动消失（如严重急性呼吸综合征，Severe Acute Respiratory Syndrome，SARS）、病毒本身的致命危害减轻（如新型冠状病毒奥密克戎变异株带来的死亡率大幅度下降）。本次实验中，系统停止运行标准是感染者完全消失。

（五）封控干预

MAP通过封控覆盖人口变化（lockdown∈（0.00, 1.00））操纵封控规模。0.25 表示感染者有25%的概率被隔离；0.50表示隔离概率增大到50%。

被隔离行动者会影响邻居的感染率和资源消耗。例如，Ai有4个邻居，隔离后，Ai与邻居的连边被切断，交互感染中断。在lockdown=0.50的条件下，邻居中的半数（即两个邻居）与各自邻居的连边也被切断。接受隔离的行动者（感染和没有感染的）增多，病毒传播的可能性减小。

封控消耗大量资源（包括核酸检验、病毒消杀等日常成本以及个体退出经济活动的损失），因此封控规模和隔离成本挂钩。例如，若lockdown=0.25，即有25%的感染者被隔离，每隔离者资源消耗为25单位；若lockdown=0.50, 每隔离者资源消耗上升为50个单位。

MAP默认5个时步为个体隔离时长。5时步后，若被隔离的感染者康复，自动解除封控，邻居中的未感染者和康复者也随之解封。否则，隔离者保持隔离状态，待下一轮查验。

（六）资源供应、资源极限和疫情后果

MAP使用资源供应水平supply∈（0.00，1.00），操纵资源供应的充足程度。supply=0.25表示25%行动者能够获得资源；supply=0.90表示90%行动者能够获得资源。

MAP记录感染者数量（infected_count）和死亡者数量（death_count）；并用经济成本（sum_cost）记录资源耗费总量。MAP可以设定资源极限limit。当sum_cost达到limit时，无论是否存在感染者，系统都会停止运行；但本次实验未设置limit，系统运行直至感染者全部消失。此外，系统从始至终运行的总时步记为疫情时长。

五

计算实验

在计算实验中，MAP操纵病毒状态、疫情信息、封控规模和资源供应水平，观察不同组合生成的死亡人数、经济成本和疫情时长。实验模拟感染率（4）×死亡率（5）20种病毒状态（表1）；每种状态下操纵疫情信息传播规模（5）×封控规模（5）×资源供应水平（5）的125种条件组合，共生成包含病毒状态（20）× 条件组合（125）的2500个情境。

为了清晰，我们固定了部分参数：（1）高危人群占比30%；（2）起始感染人数5；（3）封控标准时长5个时步；（4）感染人群中自愈者比例0.5%; （5）获得资源后，感染者死亡率降低至基础死亡率的20%；（6）获得资源后，治愈类感染者康复率提高10%；（7）行动者起始总数500，每轮运行后只减去死亡者数量，不添加新行动者；（8）MAP领土范围保持不变。

此外，MAP还关闭了部分程序，包括特效药物/疫苗的出现、疫情信息投放时间、疫情信息效果衰减周期、封控措施启动时间、个体免疫力获得，以及资源供应上限。由于多处使用随机方法，模型输出会在一定范围中发生变化，故所有输出为20次重复运行后的均值。

作为示意，我们设定感染率0.75、死亡率0.001、康复率0.01，资源供应水平 0.50，封控规模0.25，初始感染者5名，操纵疫情信息规模0.25和0.50，将实验输出轨迹可视化。在图3右侧展示死亡人数（顶部）、经济成本（中间）、封控人数（底部）。可看到，当时步为0，5个初始感染者（图中x表示）随机分布。在时步为25，信息规模为0.25条件下（左列），感染者明显多于信息规模为0.50条件下（右列）的感染者。时步达到50，左列中仍有大量感染者，右列中的感染者完全消失。疫情信息的作用十分明显。

六

实验发现

仅以低感染率（0.15）/低死亡率（0.001）为例，操纵疫情信息（0.00）、封控（0、0.25、0.50、0.75）和资源供应（0.25、0.50、0.75），示意性展示其中4×3共12种情境的模型输出和评价（表2）。

以死亡人数、经济成本和疫情时间为根据，使用“差”、“良”、“优”综合评价每个情境：（1）依据标准，逐一给出三类输出得分（表3）；（2）将输出得分与其对应权重（死亡人数0.5，强调生命价值，经济成本0.25，疫情时长0.25）相乘后求和，获得情境评分；（3）依据评分，给出 “差”（0.00~1.66）、“良”（1.67~3.33）或“优”（3.34~5.00）评价。

（一）疫情信息自身能否影响疫情结果

观察疫情信息单独对疫情的影响，我们设定资源供应水平和封控规模均为0.00，仅操纵疫情信息规模。结果显示：（1）疫情信息的规模变化（0.00~1.00）造成死亡人数和疫情时长波动（图4-2，3）；（2）由于资源供应水平固定为0.00，疫情信息不会影响经济成本（图4-2）；（3）在不同病毒状态条件下，死亡人数和疫情时长的曲线差别明显（图4-1，3），可知疫情信息与病毒状态互动影响了这两类输出。

这种“理想化”情境操纵显示，疫情信息单独也会影响疫情。究其原因，疫情信息促使个体采取自我保护行为，降低感染率和死亡率（图4-1）。但仅靠信息远不能令人满意，在高感染率下，死亡人数甚至过半（图4-1）。

发现还包括：（1）扩大信息传播规模通常能降低死亡人数，但在感染率高（0.75）和死亡率低（0.001）时，适得其反（图4-1）；（2）在高感染率（0.75）条件下，仅靠疫情信息，死亡人数居高不下（>300）（图4-1）;（3）无论感染率如何，高死亡率条件下（0.08）疫情时长均会缩短（图4-3）。究其原因，高死亡率带来死亡人数迅速增长，同时也减少了感染者（病毒宿主）在人群中的比例。当感染者数量跌到一个临界点，会放慢病毒扩散，缩短疫情时长。

值得提及，发现（3）为理解某些国家新冠疫情的迅速结束提供了启示：面对高死亡率，那些资源匮乏，缺少干预能力的国家束手无策。（二）疫情信息影响疫情结果的最优系统条件操纵系统构件的互动关系，我们对500种情境输出做出评价。表4列出不同构件与评价的关系：

我们以资源供应水平划分情境，生成5组最优系统条件的示意图，说明系统构件之间的交互关系，图5至图11以资源供应划分情境，生成5组最优系统条件示意图）。图底列了出现最优条件中的病毒状态；行表示疫情信息规模；列表示封控规模；圆点表示达成最优条件。

当资源供应为1.00（图5），疫情信息为0.00，封控规模为0.25，在低感染率/ 高死亡率状态下出现圆点表示达成最优系统条件（第1列/第1行）。随着信息和封控规模增大，圆点数量呈不规则增加趋势。信息规模最大（1.00），封控规模偏大（0.75）时，所有病毒状态下均达成最优条件（第3列/第5行）。但信息和封控规模都最大时（第4列/第5行），病毒状态全覆盖的最优条件并未出现。此外，绝大多数圆点对应低感染率/高死亡率和低感染率/低死亡率状态，前者略占优势。高感染率/高死亡率状态下，仅有一次达成最优条件（第3列/第5行）。无封控时，最优条件不会出现（该列因此删除）。疫情信息规模最大时（1.00），生成圆点数量最多（第5行）。

资源供应降低为0.75（图6），圆点数量减少（表4-4）。第1列与第4列均出现 9个圆点，第2列与第3列的圆点分别为12和13个。中等（0.50）或偏大（0.75）封控规模与中等（0.50）或最大（1.00）信息规模互动，更可能达成最优条件。与图5相似，圆点多出现在低感染率/高死亡率、低感染率/低死亡率状态。此外，当封控规模中等（0.50）或较大（0.75），信息规模中等（0.50）或最大（1.00）时，圆点较多。最大规模的封控与信息互动（第4列/第5行）未能带来更多圆点。可知增加干预力度未能 “大力出奇迹”。我们再次注意到，在疫情信息规模最大（1.00）的第5行，圆点数量最多。

资源供应降低至0.50（图7），圆点数量继续减少（表4-4），且仅能对应低感染率的两种病毒状态。第3、4、5列显示，若封控规模中等（0.50）或以上，无需扩大疫情信息规模，圆点数量也能保持不变。纵使封控规模很低（0.25），只要达到中等疫情信息规模（0.50），即可得到相当于更大封控规模（0.50、0.75、1.00）的效果（第2列/第3、4、5行）。这再度说明，干预措施规模与疫情控制效果不是简单的“水涨船高”。此外，我们又一次注意到，在疫情信息规模最大（1.00）的第5 行，圆点数量最多。

资源供应降低为0.25（图8），圆点数量进一步减少（表4-4），也仅对应低感染率的两种病毒状态。不过，只要疫情信息规模较大（0.75）和最大（1.00）时（第4、5行），即便封控规模小（0.25）或中等（0.50），圆点数量也能保持和更大封控规模条件下一致。这说明，资源有限（0.25）时，采用成本低于封控的信息传播或是更经济的策略。此外，我们第四次注意到，在疫情信息规模最大（1.00）和次大的第5行和第4行，圆点数量最多。

在无资源供应(0.00)的极端条件下，圆点仅存25个(图9)，再度显示资源供应与最优条件的正面相关性(表4-4)。但圆点分布显示，在这种资源极度匮乏的条件下，保持中等(0.50)和大规模(0.75,1.00)的疫情信息传播规模或有补救之功效。因为信息规模达到中等(0.50)后，圆点数量明显增加(第3、4、5行)，提高封控规模未能带来明显效果(第1、2行)。和前面的观察一致，我们第五次注意到，疫情信息规模最大(1.00)或中等(0.50)时，圆点数量最多(第3、5行)。

七

结论与讨论

（一）回答研究问题：在什么样的系统条件下，疫情信息能够对疫情演化结果产生显著和积极影响？本实验从六个方面回答了研究问题：

1．仅就疫情信息而论，在不同规模的疫情信息的条件下（表4-3），都可能产生疫情控制的最优条件。规模最小时（0.00），最优条件出现概率最少（28/100），规模最大时（1.00）, 出现概率最大（45/100）。

2．与封控措施、资源供应、病毒状态发生适当的交互作用后，疫情信息对对疫情结果产生积极影响的概率增加（图5~11），达155/400, 或38.8%。

3．在没有封控和资源供应的条件下，疫情信息也能单独影响疫情演化，在与病毒状态的交互作用下，会增加死亡人数，但缩短疫情时间（图4）。

4．在没有封控措施的条件下，即便有不同程度的资源供应，疫情信息也几乎不会带来最优的疫情控制（图5、6、8、9）。

5．在整体上，扩大疫情信息传播和封控规模，增加资源供应，能够正面影响疫情演化（表4），但由于干预措施的影响是非线性的，强化疫情信息传播未必总能构成控制疫情的最优条件（图5~9）。

6．病毒状态对干预措施有明显制约作用，干预较难有效控制高死亡率状态下的疫情。对4种病毒状态都能产生积极影响的干预组合虽然存在，但十分罕见（图5~9）。

研究结论：疫情信息对疫情后果的影响高度依赖于系统情境，适用所有情境的最优系统条件，并不存在。

（二）本文的建设性探索及其应用价值

1．作为政策制定的框架

过往研究多把疫情信息抽离出社会系统，在静态实验或调查环境中观察信息对认知和行为的影响。MAP采用模拟方法，建立系统化的概念模型，从中转化出可计算的实验模型，得以在复杂系统互动的框架中，解释疫情信息的影响，丰富对疫情信息影响方式的理解。

我们期待这样的思考方式能为制定相关政策提供思路。这一思路以对疫情信息效果的系统化思考为基本特征，承认疫情信息效果，以及疫情演变过程，受制于多种因素的交互作用。建议抑制对特定干预措施的偏好，承认病毒状态对干预措施难以控制的约束作用，防止“大力出奇迹”式的无效干预，也防止把局部成功措施误判为适用于一切情境的“不二法则”，减少不必要的健康和经济损失。

2．作为策略设计的“母版”

兰德智库的班克斯（Steven Bankes）等人指出，好的计算实验不是因为它精确反映了现实系统，而是因为它能获得现实中没有，或尚未出现，但具有逻辑可能性的情境。在模拟了尽可能多的情境，发现在能够保持强健的结果之后，才有机会解释和对抗复杂多变的真实系统（Bankes，Lempert & Popper，2002）。

据此，我们希望MAP能为对抗不同情境中的疫情提供策略“母版”，便于衍生出多种针对具体情境的子模型，呼应费曼的著名论断“一个系统不仅有一个历史，而且有多种可能的历史”（Feynman，1948）。

具体言之，计算模型有增加、减少变量，操纵参数的便利，依据现实中的具体情境调整模型，呈现 “多种可能的”情境。例如，面对不同的疫情状态，策略制定者可以追踪、使用感染率/死亡率/康复率的真实数据，观察不同参数的疫情信息规模、封控强度，以及资源供应水平的影响。面对话语权力差别巨大的社会情境，策略制定者可以操纵意见领袖的数量、网络分布模式，观察他们对其他行动者认知和行为选择的影响。面对疫苗研发的突破，策略制定者可以在系统中加入疫情疫苗的新变量，通过操纵表示疫苗有效性的参数，观察疫苗对疫情演化的影响。面对资源供应水平不同的情境，策略制定者可以基于资源供应的约束，调整其他干预措施的参数，通过实验寻找最优的干预措施组合，如此等等。

（三）本研究的局限与展望

本研究存在不少局限。最明显的是，囿于篇幅限制，MAP没有纳入不少可能的重要因素，如疫情信息影响的自然衰减、疫情信息投放时机、封控措施实施的时机、行动者数量，人工社会领土范围大小等。期待未来有机会延展MAP，加入对这些因素的考虑。

从出现伊始，社会模拟遇到的最多质疑是它常会很难，甚至无法，被经验证据直接检验。因此，一些模拟者会对模型与真实数据的关系做出核实（validation）或验证（verification）（Sargent，2011）。但至少目前，我们无法做出类似的验证，因为系统构件的真实参数，以及构件中多种参数（如治愈类/自愈类人群分布，康复率、不同社会的资源投入数量等）均无法得到。这是本研究的缺陷，也是我们的遗憾。

阿克斯泰尔（R. Axtell）把模拟的动机分为三类：（1）对某类现象，已经有了不错的理解，但需要把已有理解操作化、数量化、可视化。出于此种动机的模拟追求与证据拟合，以预报为目标；（2）对某类现象有一些理解，甚至有了相关理论，但理解的覆盖范围和准确性不详，需要使用模拟方法观察已有理论逻辑的自洽程度和覆盖范围；（3）对某类现象的理解明显不足，也不具备在经验意义上得到足够理解的条件，但需要得到某种有参考价值的理解。在此条件下，使用有限证据、逻辑演绎和想象的模拟是为数不多的选择之一（Axtell，2000）。

第一类动机符合大多数人的模拟想象，容易理解。第二类，特别是第三类动机包含探索不确定现象的意味。利用模拟，合理生成现象演化的多样情境，其中一些情境得到已有证据的直接支持，另一些则是参考相关证据后的逻辑演绎，旨在勾画出可能的演化过程和结果。在这种意义上，社会模拟和计算实验被一些研究者视为 “介乎于理论化和实验之间的一种活动”（Frigg & Reiss, 2008），是“与已知过去有所不同的未来进行对话（negotiating）”（Elsenbroicha & Badham，2023）。

受到阿克斯泰尔等人的启发，我们实施了本文讨论的计算实验，祈望能在一定程度上显示出疫情信息影响疫情后果的“根本性过程”，在经验证据有限的条件下，通过逻辑和想象，与未来或许遇到的疫情对话。

本文系简写版，参考文献从略，原文刊载于《国际新闻界》2024年第5期。

本期执编/九九

订阅信息

全国各地邮局均可订阅《国际新闻界》，国内邮发代号：82-849，欢迎您订阅！

您也可通过下方二维码或网址https://weidian.com/?userid=1185747182，进入国际新闻界微店，购买当期杂志和过刊。

您还可访问《国际新闻界》官方网站 http://cjjc.ruc.edu.cn/ ，免费获取往期pdf版本。

进入官网下载原文