复杂适应系统理论对危机时期民众心态的分析与模拟——重大突发事件应对措施研究，本文主要内容关键词为：突发事件论文,民众论文,应对措施论文,心态论文,时期论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、研究背景
对社会心理、行为模式的分析和预测，是一个综合的危机预警和应对机制构建过程当中不能不考虑的重要课题。一些心理学研究者从流言、临床心理咨询、公共卫生体系等多个角度开展了有针对性的研究。中国科学院心理研究所基于风险认知理论构建统计模型对心理预警和危机管理方面的研究成果就深具启发性[1]。
我们认为，这一课题涉及政治、心理、经济等许多学科领域，其范围的广泛性和复杂性使我们不能孤立地、静态地思考问题，必须以系统的观点来看待和分析。在这篇文章中，我们将针对2003年SARS时期民众社会心态和行为现状展开系统的分析和研究，并根据研究结果提出针对危机事件的应对措施及建议。
二、模型建立
（一）研究思路
本次研究通过调查问卷的方式，对当时的社会心理状况加以采集汇总，然后利用统计分析方法，对反映民众行为、心态的各项变量特点进行概括，并对它们彼此之间的相互关联性进行深入分析和抽象总结，进而得到定量的统计模型。
考虑到我们分析的对象是民众的心理、行为模式，我们所要考虑的整个系统是由众多处于当时特定环境下的个体（人）所组成的，作为个体的人不仅仅是外界环境的被动接受者，他们同时也是构成环境的一部分，他们能通过与其他个体和外界之间的交流相互影响，不断地进行适应性的变化，因此这些个体可以被认为是具有适应性的活的“主体”。所分析的系统的复杂性，在一定程度上可以归结为主体的这种适应性。我们所面对的系统具有“复杂适应系统”的特点[2]，根据这种观点，我们可以建立基于主体的计算机模型，使研究更进一步。在构建计算机模型中的一个非常关键又比较困难的问题就是对主体行为规则的抽象和设计，这里我们利用统计分析得到定量模式，比较方便地解决了这个问题。
通过考虑所分析系统的特点，最终选定通过以复杂适应系统理论为指导的基于主体的计算机模拟方法。利用计算机模型对实际的数据进行拟合，并在此基础上分析对于民众心理状况有影响的控制因素，为危机条件下制定及时有效的应对措施提供了一定的参考。图1是可以概括整个分析思路的框架。
图1 分析思路框架图
（二）数据基础
我们以中国人民大学社会心理研究所SARS时期做的大型网络调查得到的数据为基础。问卷侧重于对“行为—情绪—压力”角度的考察，涉及信息传递、公众知觉、心理感受等反映社会心理特征的多个角度。网络调查的手段在SARS时期体现出了特有的优势，保证了数据的及时性和广泛性。这次调查回收的有效样本来自除台、港、澳之外的31个省区市，有效样本近5000份。经过进一步筛选，最后保留2287份样本作为我们分析模拟的数据基础。
（三）统计模型
本文的统计分析和统计建模具备与传统方法不同的特点。
1.研究中侧重于对变量之间隐含关系的挖掘。通常的社会心理学研究侧重于对单个变量进行描述性的分析概括，如频数、比例、均值等方面的分析。而在我们的研究中，因为涉及我们对微观主体行为方式的提炼，需要根据调查的数据构建反映主体心理行为方式的模型，所以格外注重对变量之间相互影响、关联模式的挖掘。同时由于在调查问卷中设计了3个李克特量表，根据统计学研究可以对这类问题中得到的数据进行适当的变换后视为定量数据进行统计分析，克服了该领域内一般数据存在的测量级别较低的问题，为合理利用统计分析方法提供了更多的选择[3]。
2.所进行的统计分析是根据问卷中所包含题目的特点和调查得到的实际数据进行的“探索性”分析。根据问卷设计与统计分析结合的特点，社会学中应用统计学研究可以分为两种情况：一类是指在问卷设计当中已经包括一定的理论假设，利用调查数据对假设进行检验，称为“实证性”研究；另一类是指在问卷设计中不含假设，直接根据调查结果进行分析，称为“探索性”研究[4]。传统的心理学调查问卷中多包含一定的理论假设，这固然会使结果具有较大的确定性，但同时也存在一定的主观性和导向性。采用“探索性”分析，结果的集中程度可能会稍差一些，但它为理论并不成熟完善的领域提供了更贴近现实的选择。
3.结合2003年SARS事件的特点，在时间上分阶段建立了统计模型。针对主体在不同时期的行为、心理反应模式构建了统计模型，这增加了模型的精确程度，同时还使模型具有了时序性的特色，方便进行计算机模拟。
4.构建统计模型并不是最终分析研究的目的。这里把根据现实数据构建的统计模型作为构建基于主体的计算机模型的必备条件，把得到的统计数据作为计算机模型中主体行为方式的抽象，使其成为对主体行为规则设计的依据，进而最终形成具有现实基础的计算机模型，来动态地模拟预测现实情况，并使其成为对危机事件的心理预警机制和应对措施研究的一部分。
（四）计算机模型
在模型的实现中利用研究复杂适应系统非常方便的建模工具——由桑塔非研究所开发的SWARM平台，它提供了建立计算机模型的框架以及实现模型的许多有用的工具。基于这种框架，模型中关键的三个部分分别是主体类的建立、ModelSwarm类的建立、ObserverSwarm类的建立[5]。
采用基于主体的计算机模拟方法，模型中很重要的一部分就是主体的建立。此模型中主体是所考虑的特定社会环境中具有主动性的人。主体具有的主要属性包括：反映该主体心理、行为特点的3个指标性的变量；对政府信任程度，对防治知识了解程度（这两个变量是根据统计分析结果选择出来具有显著效果，而且又是我们在政策建议当中比较关注的因素）；性别、年龄、受教育程度、职业等反映主体基本特征的变量。
ModelSwarm类中，主要设置了模型中系统级的参数，这些参数可以显示给用户，并可以被修改以实现对不同条件下模型运行结果进行比较研究。根据整体的研究思路，在这里实现了根据统计模型对现实情况的抽象和对计算机主体行为规则的建立。这里考虑的系统级参数主要包括：所考虑的系统内包含的主体个数、系统范围内平均的对政府信任程度和对防治知识了解的程度。
ObserverSwarm类中实现了对运行结果数据的采集以及显示。在这个模型中主要统计显示了3个指标性变量随时间变化的折线图：行为得分、情绪指数和压力指数。
三、研究结果及分析
（一）调查结果的统计分析
这里的分析方式是“探索性”的，在统计过程中，首先考察调查问卷的结构，然后根据一定的社会心理学理论和关注点构建了危机条件下的行为、心理反应模型。
1.问卷结构分析
对于问卷涉及的14个选择问题的因子分析得到的结果可见表1，从中可以看到这次问卷主要从哪些角度考察了SARS时期民众的心理和行为。问卷中的14个单独问题可以概括为4个比较综合的因子：第一个主要涉及情绪压力方面，第二个因子主要涉及对周围的态度以及感受方面，第三个因子主要涉及行为方面，第四个因子是与获取信息相关的。
因子归纳的结果为我们思考调查当中哪几个变量比较相关这样的问题，带来很大的启发。在因子归纳时按照相近变量归为一个因子解释的原则，可以从表1中看到人们的情绪、压力反应与人们对“疫情公告”的态度（也反映了对政府的信任程度）具有较强的联系。人们的行为与对所居住地病情的了解情况和对防治知识的了解情况都有较强关系。这种定性的结果虽然对于提出政策建议、得出确切的结论仍显不够，但给我们进一步的思考和模拟研究提供了启发。（见表1）
2.行为、情绪、压力的考察
根据数据的统计测量级别和社会心理学中的“行为—情绪—压力”理论基础，对变量进行多因素方差分析和回归分析，并随疫情发展情况的不同，在时间上分四个阶段分别构建了考察民众行为、情绪、压力之间相互影响以及受个体性别、年龄、职业、受教育程度等因素影响的统计模型。
数据的测量级别在很大程度上决定了所能采取的统计分析方法，根据由问卷中反映行为、情绪、压力的李克特量表得到的定量型指标，首先考察3个指标之间的相关情况，其次考虑问卷中涉及的其他一些定类、定序因素对这些变量的影响，再次综合这些因素，并加入时间阶段的考虑得到最终的统计模型，作为指导下一步计算机模拟的基础。
表1 旋转后的因子负载矩阵
因子1因子2 因子3因子4
情绪
.761
压力
.714
对“非典”传言态度-.612
周围的“埋怨”情绪 .441
对疫情公告的态度
.434
人们的相互关心谦让 .745
民众的国家意识 .722
坏习惯的改正意识.623
对医护人员的态度.582
对防治知识的了解 .669
所在地的病情了解 -.589
行为 .569
每周获得的误传信息 .769
每周获得的防治信息 .661
（其中系列1表示行为*压力、系列2表示行为*情绪、系列3表示压力*情堵）
行为、情绪和压力是统计分析中主要考察的3个指标，本次调查包含了2003年4月26日至5月28日一个多月的数据。从心理学角度来看这3个变量每日平均值的变化意义不大，而把这段时间根据疫情的发展情况以周为单位划分成4个阶段，则此3个变量在4个阶段中出现了一定程度的规律性。（见图2a、2b、2c）
下面可以分析行为、情绪和压力3个变量之间的相互影响情况。（见图3）
通过比较随着疫情发展的4个阶段中3个变量两两之间的相关性变化，可以看到情绪和压力两者间关系更为密切。（见图3）
3.综合统计模型
上述4个阶段的情况是有区别的，因此在构造统计模型时，应按4个阶段对变量间的关系进行分别考察。以所关注的行为、情绪和压力作为因变量，以可能对它们产生影响的因素作为自变量（包括3个变量彼此之间的影响和个人特征等方面），利用统计方法建立回归或者协方差模型，找出对因变量的影响具有统计显著性的因素。
这里仅以对第一阶段中，以情绪指数为因变量得到的结果为例进行介绍。先将其他可能对情绪变量产生影响的因素设定为自变量，建立协方差模型。根据各个自变量影响的显著性，并结合心理学理论方面的考虑，筛选出影响突出的关键因素，形成最终的方程。最后得到的方差统计表，如下面表2所示。
从其中的显著性因素判断指标（统计表第5列Sig.）可以看出最后保留的这几个变量都是具有统计上的显著性的（显著性水平alpha=0.05）。而具体每个自变量是以何种定量的程度来影响因变量，需要根据下面的参数估计表来确定。（见表3）
表2 方差分析统计表（因变量：总情绪）
Source Type Ⅲ Sum df F
sig.Observed
of squares
Power(a)
Corrected
16220.855(b)1151.875
.000
1.000
model
Intercept （截距） 4644.5051163.103
.000
1.000
对防治知识的了解 691.0854 6.067
.000.987
对政府信任程度 2005.6154 17.608
.000
1.000
行为指数2956.9971103.842
.000
1.000
压力指数6197.1281217.627
.000
1.000
性别 255.4791 8.972
.003.849
Error
43141.102 1515
Total
78843.00
1527
Corrected Total 59361.957 1526
a Computed using alpha=.05; b R Squared=.273(Adjusted R Squared .268)
表3 方差分析统计表（因变量：总情绪）
Parameter
B Sig. 95% Confidence
Observed
Interval Power(a)
LowerUpper
BoundBound
Intercept 5.791 .0003.7437.840 1.000
[V3=1.00]（对防范知识 3.022 .026 .3635.680 .606
完全不了解）
[V3=2.00]（比较不了解）
2.971 .0001.6404.303 .992
[V3=3.00]（一般了解） 1.502 .002 .5482.455 .870
[V3=4.00]（比较了解） .876 .046 .0161.736 .515
[V3=5.00]（完全了解） 0(b)
.
.
..
[V9=1.00]（对政府公告 4.007 .0011.7196.294 .930
完全不相信）
[V9=2.00]（比较不相信）
3.716 .0002.4015.032 1.000
[V9=3.00]（将信将疑） 3.151 .0001.9834.318 1.000
[V9=4.00］（比较相信）1.197 .035 .0862.309
.560
[V9=5.00]（完全相信） 0(b)
.
.
. .
BEHAVIOR（行为）
.218 .000 .176 .260 1.000
PRESS（压力） .325 .000 .281 .368 1.000
［P1=男］ .966 .003 .3331.598
.849
［P1=女］ 0(b). .
.
. .
a Computed Using alpha=.05;b This parameter ie set to zero because it is redundant.
据此参数估计表不难得出针对特定因变量的方程。例如这里我们可以写出如下方程：
emotion_t=5.791+0.325*press+0.218*behavior+0.966*sex+4.007*con91+3.716*con92+3.151*con93+1.197*con94 +3.022*con31 +2.971*con32 +1.502*con33+0.876*con34
其中，emotion_t代表情绪指数，press和behavior分别代表压力和行为指数，con91-con94在变量V9（对政府信任程度）取值为1～5（参见表3第1列中的解释）时对应取值1，其他的变量取值为0。同样con31-con34代表变量V3（对“非典”防治知识了解程度）在1～5（参见表3第1列中的解释）之间的取值，变量sex在个体性别为男性时取值1，女性时取值0，这样可以根据已知的条件推算每个个体的情绪指数。
定量的方程是建立计算机模型必不可少的，但作为结果其不够直观。下面列出了两幅图，比较直观地显示了因变量（情绪）受相关自变量（对防治知识的了解、压力）的影响情况。从图中可以看到随着对防治知识了解程度的加深，人们对国家、个人等方面的担忧程度（情绪指数）有下降趋势（图4a），这说明采取积极措施普及防治知识，对于稳定情绪、缓解忧虑将是有效的。情绪指数受压力指数同方向的影响（图4b，图中数值经过标准化处理），提示在选择措施缓解民众的情绪、压力时，可以两者综合考虑。
图4a 防治知识了解程度对情绪指数影响曲线
图4b 压力反应对情绪数值影响曲线
（二）计算机模拟结果分析
根据在第二部分中介绍的方法，利用SWARM建立了基于主体的计算机模型，并利用实际数据的统计结果，对主体状态进行初始化，将得到的统计模型作为主体行为规则设定的基础，这样我们对行为、压力和情绪（分为较高层次和较低层次两方面）随时间变化的过程进行模拟，模拟中主要考虑的外部变量是对政府信任程度和对防治知识的了解程度。根据调查结果这两个外部变量的平均水平均为4（比较信任，比较了解），一次位初始输入，这时候我们得到行为、情绪和压力三个指标输出结果。（见图5a、5b、5c）
虽然显示输出的时间单位是天，若将得到的曲线视为对每天的指标变化的拟合，可能略嫌粗糙。根据心理学的理论，这些指标的每日变化对许多影响因素是非常敏感的，从这一角度分析也不是很有意义。所以只按照4个阶段，对主体行为方式进行区别设计，期望输出结果能成功地反映出这三个指标在4个阶段中变化的趋势（如图3所示）。从这个角度上看，模型还是比较成功的。
另外，建立计算机模型的一个显著好处是我们可以改变外部条件，观察系统指标的变化情况，为我们考虑应对措施提供参考依据。比如我们考虑改变“对政府信任程度”这个变量，如果我们将其设定为1（完全不信任），这时得到的输出结果图如下。（见图6）
图6a 行为得分随时间变化曲线
图6b 压力得分随时间变化曲线
对比两组图可以发现，在对政府的信任程度比较高的情况下（见图5），情绪、压力这些可能会造成不安定的因素下降趋势比较明显，而相比较对政府信任程度不高时（见图6），这些指标得分会保持在一个比较高的水平，尤其是压力指数还出现了突然大幅增高的现象。这就向我们直观地展示了在出现重大突发性事件时，政府迅速取得民众信任对于缓解民众压力和担忧情绪是非常有利的。
图6c 情绪得分随时间变化曲线
控制其他条件不变，改变对“防治知识了解程度”变量的值，我们也可以看到与上面类似的结论。这说明为了稳定民心，在出现危机时，政府有关部门有必要花大力介绍相关知识和应对方法。
四、结语
危机时期的社会心理分析，是一个具有很强复杂性的课题，本文抽象出一些关键因素进行了模拟研究，但还有一些因素没能考虑进来。将来通过对模型的不断完善，希望它能帮助人们更好地了解在危机情况下社会心理行为的特征。在此基础上，人们能够找出有效的应急措施，并发现一些关键性的指标为监控和预警提供支持，最终达到减少实际损失的目的[6]。