导语


俄乌局势尚在发酵之中，认知战争早已悄然展开。民众政治观点趋向两极分化的背后，既有复杂社会系统的演化特征，也暗含多方力量的主动干涉。2021年12月发表在《美国国家科学院院刊》（PNAS）的一篇论文，以乌克兰2012-2015年间民众对欧盟态度（签署协议参与欧洲一体化，逐步加入欧盟）的数据为参考，讨论了自适应选民模型（AVM）对于社会政治观点极化的预测能力，以及本地化、局部化的政治讨论对于塑造个人观点的重要性。

 
该文由分别来自普林斯顿大学公共和国际事务学院、德国波茨坦气候影响研究所地球系统分析所、北卡罗来纳大学教堂山分校政治科学系、达特茅斯学院计算科学数学系的跨学科团队完成。该研究对于理解不同地域、不同社会圈层、不同互联网社区的意见观点分歧加剧，有启发意义，同时该模型具有一定的应用价值。以下是对论文主要内容的翻译。


研究领域：自适应选民模型，空间极化

‍‍

Olivia J. Chu、Jonathan F. Donges、Graeme B. Robertson、Grigore Pop-Eleches | 作者

刘培源 | 译者

梁金 | 审校

邓一雪 | 编辑



论文题目：

The microdynamics of spatial polarization: A model and an application to survey data from Ukraine
论文地址：
https://www.pnas.org/doi/10.1073/pnas.2104194118

 

目录

1. 意义与摘要
2. 简述
3. 理论部分
4. 数据和背景
5. 模型
6. 结果
7. 讨论与下一步




1. 意义与摘要




在这项研究中，我们通过强调社会互动的性质和结构如何塑造态度两极分化的变化，推进了对两极分化随时间和跨空间变化的理解。我们展示了在自适应选民模型中包含地理信息，如何提高其对个人层面态度变化和空间极化聚合模式的预测准确性。通过将该模型应用于乌克兰的跟踪调查（panel survey）数据，我们解决了基于主体（agents）建模文献中缺乏真实世界数据的经验应用的问题。本文还论证了一个早期关键机制的重要性，即局部效应在塑造个人态度方面的重要性，亦即政治讨论在本地根深蒂固的网络中的作用。
 
虽然世界各地民众态度的空间极化（不同态度的分布与地理分布相关）非常普遍，但我们对分歧问题上的两极分化随着时间推移而上升和下降的机制了解甚少。我们发展了一个理论，解释了政治冲击如何在一个国家的不同地区产生不同的影响——这取决于其局部动力学机制（local dynamics），而动力学由先前存在的态度和讨论网络（discussion networks，如线下社交等）的空间分布所产生。在以前意见分歧的地方，受冲击之后，态度的多样性可能会持续下去。与此同时，如果危机前在关键问题上存在明显的多数意见，人们的观点应该朝着主流观点的方向转变。这些动态因素导致当地的态度更趋一致，但同时也加剧了不同区域之间、有时甚至区域内部的地理极化。
 
为了说明我们的理论，我们开发了一个修订版的自适应选民模型（adaptive voter model，AVM），这是一个自适应的观点动力学网络模型，用来研究在2013年至2014年亲欧示威运动背景下乌克兰对欧盟态度的变化。利用独立广场革命（Euromaidan Revolution ，即乌克兰亲欧盟示威运动）前后调查的个体级别跟踪调查数据，我们表明，在公众先前支持欧洲一体化（即乌克兰加入欧盟）的地区，欧盟的支持有所增加，但在最初公众反对加入欧盟的地区，支持进一步下降，从而加剧了乌克兰境内欧盟态度的空间分化。当我们在模型中加入网络参与者的地理位置信息时，结果显示，AVM 和回归模型的预测能力显著增强，这突出了根植于空间的社会网络的重要性。
译注：Euromaidan Revolution，独立广场革命，始于2013年11月21日基辅独立广场的公开示威，持续至2014年2月乌克兰总统亚努科维奇被议会解职。起因是亚努科维奇中止与欧盟签署政治和自由贸易协议，并强化与俄罗斯关系。中文媒体还称之为“乌克兰亲欧盟示”、“乌克兰反政府示威”、“乌克兰之乱”、“广场革命”等。


 



2. 简述




空间两极分化是全球政治两极分化的一个关键因素，但对于重要问题的态度如何在空间中更多极化或更少极化的微观动力学，我们尚不清楚。在本文中，我们专注于对关键政治问题的态度的空间两极分化，并使用自适应选民模型（AVM）的修改版本来展示“社会学习”（social learning，根据讨论网络中其他人的观点形成自身观点）如何解释日益增长的本地化共识，同时加剧态度的空间差异。具体而言，我们认为，持有偏离其当地社会网络主流意见的政治态度的个人，将面临调整其态度或其网络的社会压力，这些变化可能导致一个国家不同地区的态度极化的不同模式。
 
我们使用来自乌克兰公民的跟踪调查（panel survey，固定样本跟踪调查）数据来测试这些预测，该调查侧重于 2012 年末至 2015 年中期对欧洲一体化的观点动力学。在乌克兰[1]和更广泛的东欧[2]，欧洲一体化问题不是一个简单或次要的外交政策问题，而是一个核心的政治分歧，它反映和塑造了对未来的竞争愿景，甚至可能威胁到国家的统一。通过两轮跟踪调查，我们表明，2013 年至 2014 年的乌克兰独立广场革命，总统维克托·亚努科维奇在决定暂停与欧盟就乌克兰结盟协议进行谈判后被抗议推翻，导致该国不同地区对欧洲一体化的态度极化程度发生变化。这在很大程度上是由于本地局部的动力学，在这种动力学中，公民改变了对这个“热点问题”的态度，以更加符合当地多数人的意见。
 
我们建立并实施了两种不同类型的模型，来研究独立广场革命后欧洲一体化态度的变化。第一种方法使用地理加权回归模型来显示观察到的欧盟支持（基于对第二轮调查的回应）与以前的态度、政治讨论的频率以及衡量（第一轮）地方民意之间的关联。
 
我们的第二种模型类型是自适应选民模型（AVM），它的目标是研究个体级别的过程，特别是研究指导这些过程的参数变化如何能够解释和影响观察到的结果。因此，AVM 与回归模型不同，它不包含任何关于最终结果的信息。相反，它将第一轮样本调查的数据作为输入，并对最终态度进行预测。
 
本文有三种类型的贡献。从理论的角度来看，我们对本地讨论网络的关注，有助于理解在政治态度存在空间差异的情况下，即使没有显著的居民差异，政治冲击为何也会导致态度的空间分化加剧。我们产生了一种明确的预期，即当一个问题的突出程度增加时，观点极化会增加。其原因是最初的态度分布和随后在地方讨论网络中的交流。同时揭示了地方或区域性的政治异见人士如何能够不仅生存下来，甚至在全国日益达成共识的情况下继续增加。因此，我们的文章理论化并记录了一个早期发现的关于本地局部影响对个人态度作用的重要机制[3,4]。
 
在建模方面，我们构建了 AVM 的扩展，这是一种用于观点动力学的自适应网络模型。该模型允许在网络内部发生观点层面和网络结构层面的变化。我们对 AVM 的扩展结合了来自调查数据的地理信息和政治讨论频率，以便为每个节点构建具有代表性的社交网络，而无需关于受访者的明确的微观社交网络信息。我们使用这种基于数据的模型，来研究由态度和社交网络变化驱动的本地局部和全局整体的动力学。通过探索这些变化的不同相对概率，我们能够看到人际互动如何推动在调查数据中观察到的观点极化的不同动力学。在没有社交网络信息（众所周知难以收集）的情况下结合网络模型和个体级数据，是一个具有挑战性的问题，也是社会科学家和网络科学家都感兴趣的问题。我们希望该方法能够帮助这些学术社区来思考模型和数据收集如何相互补充，以及如何将它们一起用来做出预测，并提出描述观察到的行为的机制。
 
最后，通过详细审查乌克兰在加入欧盟问题上的态度转变，我们对关于乌克兰亲欧盟示威运动及其后果的文献以及关于对欧盟态度的文献都作出了贡献。通过深入了解这场运动的政治影响，我们能够揭示出，尽管乌克兰发生了一场成功的革命，导致了与俄罗斯的决裂，并朝着拥抱欧洲及其价值观的方向发展，但乌克兰社会分裂具有持久性，并在某些情况下继续加深。从政策角度来看，这很重要，因为乌克兰领导人及其国际支持者正在寻找克服历史问题和统一国家的方法。我们也为理解对欧盟态度的形成作出了明确的社会学方面的贡献。而在这种态度形成中，现有的文献主要侧重于个人层面的物质和文化因素[5]。
 



3. 理论部分




空间极化如何随时间变化

 
在本文中，我们关注态度两极分化的空间维度，即不同区域或一个国家不同地区的政治态度系统性差异的程度。虽然最近关于空间极化的大部分工作都集中在关于住宅分类（residential sorting）重要性的辩论[6-8]，在世界许多地方（包括乌克兰）居民住宅流动性远低于美国。因此，在本文中，我们展示了一个互补的现象：如果人们调整自己的政治态度以匹配当地多数人的政治态度，即使人们不搬迁，空间极化也会增加。在这里，我们既不试图解释不同类型的政治态度之间的关系，也不试图解释这种态度两极分化如何影响党派支持两极分化[9,10]和情感两极分化[11]这两种相关但截然不同的现象。尽管我们在文章讨论部分，确实讨论了不同态度和两极分化其他方面之间的联系。
 
为了理解这种态度转变的时间和空间动力学，我们借鉴了两种截然不同的社会科学研究。第一种被Beissinger[12]称为“多事”（eventful）的观点，解释了态度转变的时机。它侧重于革命和其他戏剧性的政治事件在推动空间极化程度显著增加的作用[13]。当“热点问题”[14]或“开端事件”[15]成为当前政治关注的焦点时，这一点尤其明显。事实上，在重要和热门的政治问题上可能会迅速出现非常大的分歧，而在其他问题上的基本态度上却没有太大的分歧[16]。第二类研究可以追溯到60多年前[17] ，但往往被个人主义者的解释所忽视，它强调了地方背景在各种问题上的作用，包括党派认同[9,18]、对移民的态度[19]和宪法问题[20]。这一传统的工作表明，人们的观点往往朝着社区多数派立场的方向转变。
 
结合这两方面，我们预计，当政治危机突出某一特定政治问题的重要性时，我们应该观察到社会一致性压力的增加，以及由此导致的讨论网络中态度同质性的增加。当这样的讨论网络嵌入到当地的环境中，而这些当地的环境反过来又反映了先前存在的态度地理差异，即使没有住宅分类，我们预计也会看到政治态度的空间分化不断加剧。换句话说，已经存在多数意见（主流观点）的地区，我们预计看到地区内的态度差异会减少。这意味着更大的地方同质性，但如果先前存在的多数人站在问题的不同方面，那么地理单位之间的态度差异可能会不断扩大。相比之下，在本地观点比较均匀的地方，我们应该可以期待看到持续的态度异质性。
 



4. 数据和背景




为了检验我们的理论预测，我们使用了 2012 年至 2015 年间在乌克兰通过面对面访谈进行的具有全国代表性的民意跟踪调查数据。在 2012 年 12 月的第一轮调查中接受采访的 1,800 名受访者中，到 2015 年 6 月我们能够重新采访其中的 924 人。通过关注在两次调查中接受采访的受访者，我们可以分析个人层面的态度变化。此外，由于调查收集了受访者在访谈时居住的地点的信息，并且由于受访者聚集在各个地区，因此每个地区都有多个受访者，我们可以使用这些信息以及有关政治谈话的数据，以概率方式捕获个体的社会网络的信息特征[21]。
 
对于主要的态度调查结果，我们用一个调查问卷来衡量支持乌克兰加入欧盟的程度，分为三个等级：反对、中立和支持。关注欧盟在乌克兰的支持问题，除了对支持欧洲一体化驱动因素固有的讨论兴趣之外，还对测试社会网络中态度转变的动力学有两个重要优势。
 
第一个优势是，在我们的调查涵盖的时间段内，乌克兰公民对支持欧洲一体化的态度显著增加（主要是外生的）。显著增加的原因是，2013 年 11 月，乌克兰政府（在俄罗斯压力下）突然撤销了之前签署《欧盟联合协定》（EU Association Agreement）的承诺，该协议本可以继续乌克兰逐步融入欧盟的进程。该声明引发了一系列大规模抗议活动，从首都蔓延到该国大部分地区，并最终于 2014 年 2 月推翻了总统亚努科维奇。虽然这场运动被广泛称为乌克兰亲欧盟示威运动（Euromaidan）或尊严革命（Revolution of Dignity），其特点是提出了一系列更广泛和不断演变的要求[22]，但其中心主题之一是关于乌克兰外交政策取向的辩论，特别是关于该国是否应该加入欧盟还是俄罗斯领导的关税同盟 [23,24]。随着亚努科维奇政府被推翻，俄罗斯迅速吞并克里米亚，乌东地区在俄罗斯支持的叛军领导下分裂，引发了一场旷日持久、人员代价高昂的军事冲突，这进一步凸显了外交政策态度的重要性。因此我们预计，人们讨论欧洲一体化的可能性，以及在这个问题上持有少数观点的成本，将在两次调查之间显著增加。
 
关注对欧洲一体化态度的第二个优势是，偏好欧盟的地理分布存在相当大的差异。在乌克兰西部和中部，2012 年调查的绝大多数受访者（57.6%）支持加入欧盟（只有15% 反对）。相比之下，在乌克兰南部和东部，欧盟的反对者人数略多于欧盟的支持者（32.8% 对 29%）。这种异质性也在图1（左）中得到了说明，该图显示了从我们 2012 年 12 月调查中的个人数据里得出的欧洲一体化偏好的州平均水平，并突出了在中西部大部分地区对加入欧盟的明确支持，与位于南部和东部的州更为复杂的情况之间形成对比。
 

图1. 乌克兰2012-2015年间对欧洲一体化（加入欧盟）支持情况的空间格局。这个数字显示了欧盟在2012年调查（左）的州平均支持率，以及从2012到2015年支持率的变化（右）。左图中，范围从0（普遍反对）到1（普遍支持），而0.5表明支持者和反对者之间的平衡。右图中，正值（蓝色）代表对欧盟支持增加，而负值（红色）代表对欧盟支持减少。右边没有克里米亚（C）、顿涅茨克（D）和卢甘斯克（L）的估计，因为俄罗斯占领后缺失/截断了数据。每张地图上的粗黑线将西部和中部区域的州与南部和东部区域划分开来，以便对结果做出解释，但在乌克兰没有行政或政治意义。

 
在乌克兰独立广场革命和随后的俄罗斯侵略后，乌克兰人总体上变得更加支持欧洲一体化。然而，正如学者们所指出的[25,26]，这种广泛的趋势掩盖了重要的区域差异：到2015年在西部和中部，大约三分之二（66.4%）的受访者支持加入欧盟（只有9.4%的人反对），在南部和东部，欧盟支持者和反对者的比例则从2012年到2015年都有所增加（分别增加到了36.8%和32.8%）。此外，尽管在战争和吞并面前，对加入欧盟的支持有所增加，但这并不一定能促进国家团结。相反，身份认同实际上比以前更能预测政治观点。图1中，右图使用我们从个体级数据聚合到州级别，展示了这些动态过程趋势：在乌克兰中西部17个州中的15个州，欧盟支持率都在2012-2015年间进一步增加。相比之下，在乌克兰南部和东部的6个州中，有4个州受访者对欧盟的支持率都至少是略有下降的。
 
在图2中，我们放大以显示局部水平的观点态度动力学，这更接近于我们对基于当地的讨论网络的理论关注。为了说明这些动态特点，我们根据欧盟支持者和反对者的相对份额定义了地方的类型。如果支持者的比例至少比反对者的比例高50%，我们将一个地方定义为强烈亲欧盟，如果比例颠倒，则定义为强烈反欧盟。图2显示了该国不同部分的地方在多大程度上遵循全国性的趋势，或者实际上朝着相反的方向发展。在西部和中部，强烈亲欧盟城镇的比例从2012年的49%增加到2015年的64%（而强烈反欧盟的城镇比例在整个区域中几乎可以忽略不计）。与此同时，在南部和东部，强烈亲欧盟城镇的比例也在增长，但速度较慢，而且基数要低得多。更重要的是，反欧盟占多数的城镇比例大幅增加，这表明即使在全国亲欧盟潮流的背景下，地方分歧也在加大。
 

图2. 在2012-2015年间对欧盟态度的区域差异。报告显示了2012和2015年调查中居住在强烈亲欧盟或强烈反欧盟地区的大区受访者的比例。

 
总体而言，图1和图2都表明，在2012年明显大多数受访者已经支持欧洲一体化的地区，亲欧盟多数派的规模在2015年进一步增加。然而，在2012年平分秋色或反欧盟占多数的地区，态度要么仍然分裂，要么反欧盟情绪增加。虽然这些聚合模式符合一般观点，即增加的两极分化是由局部环境动力学驱动的态度变化的结果，但我们需要避免基于聚合数据得出个人层面结论时固有的生态谬误的危险。因此，在下文“模型”部分中提出网络模型时，我们将注意力转向个人态度变化、本地语境和讨论网络之间的相互作用。




5. 模型




动机与背景

 
社会影响的计算模型已被广泛研究，以理解影响意见动力学（opinion dynamics）的过程，尽管与特定案例和经验数据的联系尚且较弱[28]。在这项工作中，我们致力于填补真实世界数据分析和建模交叉领域的空白。为了调查和厘清造成独立广场革命后乌克兰两极分化的因素，我们使用 Holme 和 Newman [29]提出的 AVM 模型的定制化扩展，该扩展由详细的个人级跟踪调查数据提供信息。AVM 作为一种自适应网络模型，是一类广泛的随机多主体模型，用于探索节点属性与网络拓扑或结构 [30–32] 之间的动态关系。具体来说，AVM 是一种基于网络的意见动力学模型，其中个体是节点，这些节点之间的边表示某种连接或交互[33]。每个人都持有几种可能的观点之一。
 
在标准 AVM 的特定情况下，网络内可以通过以下两种方式之一发生变化：首先，通过同质性，在已经形成共识的两个个体之间建立连边（而未形成共识的个体之间的连边被切断）；其次，通过社会学习，每个人都会采纳其某位邻居的意见。此模型仅使用一个变量（φ）控制这两个过程的平衡。由于这个参数是变化的，我们看到几个由此产生的动态过程，从一个共享相同观点的个体的巨大组成部分（可以被认为是一种高度共识的状态）到分裂成“岛屿”，其中每个完全分离的岛屿上的个体共享相同的观点，并且不与那些有不同观点的人互动（这可以被认为是某种两极分化， 因为个体收敛成单一意见集群）。我们经常在现实世界中看到类似的动态过程，例如在Twitter上[34]，更一般地说，当网络展示近似节点配对[35]时，个人更频繁地依附于与他们相似的人。这导致社交网络划分为一组组志同道合的人。
 
虽然我们可能经常在时间上看到一个网络的快照，并观察到某种程度的意见分化，但是这种分化从何处产生以及哪些过程可能导致这种状态，并不总是立即清楚的[36-38]。事实上，（社会）网络动力学的一个基本问题是，网络上的动力学是否支配网络结构，或者反过来，网络结构是否支配动力学，或者两者兼有之、相互支配，就像动态反馈过程一样。
 
在这篇文章中，我们提出一个经过调整的 AVM，专门考虑了空间组织的影响和个人参与政治讨论的倾向，以便更好地了解小规模的、个人层面的机制，如何导致我们在调查数据中看到的欧洲一体化观点在大规模社会运动后的变化。考虑到它整合了经验数据以及更现实的更新规则 ，我们的 AVM 非常适合研究人际关系和沟通如何塑造个人意见，以及这些因素之间的相互作用如何导致两极分化的问题。我们通过计算证明了本地讨论网络在推动舆论和社会网络变化方面的重要性，并证明了我们修改后的 AVM 可以解释在调查数据中看到的两极分化的质变。
 
由于将调查数据集成到模型中，我们的分析是独一无二的。首先，我们通过使用反映基础社交网络空间约束的数据创建的更真实的邻接矩阵初始化模型，来扩展标准 AVM，并且我们根据个体调查报告中的政治讨论频率来改变政治关系的数量。此外，我们还为同质性重组事件添加了地理信息约束，以确保在切断连接时，个体优先为其空间（即地理）社区中志同道合的个体创建新的连边，特别是确保链路不会过快地从网络中丢失。这种选择确保了建模社交网络的基本地理完整性（就其链路距离分布以及链路距离和态度之间的高阶相关性而言）不会被随机链路重组步骤而迅速破坏[39]。我们将定制的 AVM 的性能与标准 AVM 的性能进行比较。
 



6. 结果




我们通过一系列步骤呈现结果。我们同时使用 AVM 和空间加权回归来显示本地态度分布在解释个体水平变化中的重要性。然后，我们展示了地理信息 AVM 在对我们感兴趣的主要结果（日益增加的本地意见同质化）建模方面的良好表现，证明了讨论网络作为一种机制的作用。最后，我们展示了不同的建模方法在多大程度上捕捉了地理空间在解释 2012 年至 2015 年间态度变化模式方面的日益重要的作用，因为乌克兰某些地区的态度变得更加同质化，而在其他地区则更加两极分化。
 
作为第一步，我们比较了不同建模方法在预测两轮调查之间的个体水平态度变化方面的表现。为此，在图 3中，我们展示了第二轮调查（从 2015 年开始）中对欧盟的实际态度与四种不同类型模型的预测之间的相关性。左侧聚类使用不同版本的 AVM 的输出，而右侧聚类使用地理加权空间自回归模型，其信息输入与相应的 AVM 相同。在每个聚类中，我们首先展示一个基线模型的结果，该模型仅包含个人特征（对加入欧盟支持态度的初始水平和政治讨论指数），然后是另一个模型，包含有关当地背景/网络下态度平衡的信息。
 

图3. 个体预测-模型比较。显示了实际个人层面的欧盟支持（基于2015年调查）和基于四种不同建模方法的预测态度之间的相关性。

 
图 3 中最重要的发现是，结合有关当地态度背景的信息，对于解释两极分化社会中个人层面的态度变化非常重要。结合本地背景的解释性提升，这点 AVM 是最强的，但回归模型也很强，这表明忽略那些本地效应作用的分析可能会受到显著的遗漏变量偏差的影响。
 
值得注意的是，基于回归的模型的整体解释能力始终高于 AVM 预测。这是意料之中的，因为回归的目的是使用两轮调查数据来开发一个模型，以适应第一轮和第二轮之间结果（欧盟支持态度）的变化。AVM 不这样做。相反，它只使用最初的意见分布和政治讨论频率来预测个人变化的模式。
 
因此，比个人层面的预测能力更重要的是不同模型在多大程度上可以捕捉和阐明我们在引言中描述的空间极化动力学。为了捕捉当地态度同质化的程度，我们使用与图 2 相同的指标：居住在绝大多数支持或反对与欧洲一体化地区的个人所占的比例。图 4 中的前两列基于 2012 年和 2015 年两轮调查中的原始数据，反映了 2012 年和 2015 年“单一态度”地区的显著增加。图 4 中的最后两列将标准 AVM 的预测能力与具有地理聚集关系的修改后的网络模型进行比较。结果清楚地证实，虽然标准 AVM 在这一措施上表现不佳，但基于地理信息的模型捕捉到了 2012 年至 2015 年间乌克兰地区层面态度同质化的大部分增加。
 

图4. 地方层面的对欧盟态度同质化。根据对2012年和2015年调查的实际回答（左侧两组柱）和AVM 的预测（右侧两组柱）。前后两排分别代表居住在强烈反欧盟或强烈亲欧盟地区的受访者比例。

 
虽然图 4 捕捉到了地方同质化增加的趋势，但它没有告诉我们关于任何空间极化的含义。尤其是，大量关于乌克兰政治的文献[40-43]强调了倾向于更密切的与西方一体化的中西部，与更亲俄的乌克兰南部和东部之间的历史、发展和政治差异。为了捕捉这一重要的地理梯度，我们运行了一组静态分数回归，其中我们对受访者对欧盟态度变化，做了所在地的地理精度与维度回归分析。为了评估不同建模方法捕获态度变化的地理差异的程度，我们在图5中报告了位于乌克兰东部、中部和西部的受访者在2012年至2015年期间每种模型类型的预测态度变化。
 

图5. 对欧盟态度的地理模式的多模型比较。根据2015年调查的原始数据以及来自三种模型（空间AVM、标准AVM和空间回归）的预测态度，显示了位于精度第5、50和95百分位（对应于乌克兰西部、中部和东部）的受访者的对欧盟支持率的预测变化。

 
图5顶部反映的原始数据中的模式，证实了图1中的模式：在西部和中部，对欧盟支持率从2012年到2015年显著增加，而在东部，趋势实际上是负面的（并且具有统计意义）。将图5中其他模型的预测与原始数据中的趋势进行比较时，有两个发现值得强调。首先，基于地理信息的 AVM 显然优于标准 AVM。其次，与个人层面的预测不同，空间 AVM 似乎至少与空间回归一样准确地捕获原始数据中的地理模式，特别是在乌克兰东部受访者的态度预测变化方面。
 



7. 讨论与下一步




在本文中，我们开发了 AVM 的修改版本，并将其应用于原始的两轮跟踪调查，以试图解释在乌克兰独立广场革命后，乌克兰民众对欧盟支持情况（参与欧洲一体化进程）的空间极化动力学。该模型强调了空间受限的讨论网络的重要性，以了解为什么随着时间的推移，乌克兰西部和中部的意见变得更加亲欧盟，而在南部和东部的大部分地区则更加反欧盟，以及为什么总体而言，即使在全国范围内对欧洲一体化的支持有所增加，所在位置也仍然成为对于民众态度的更好预测指标。
 
在非常具体的地理和时间背景下，关注单一态度所产生的一个重要问题是，我们的研究结果应该如何超越乌克兰对欧盟支持态度的动力学。虽然空间限制使我们无法理论化和测试“增加地方统一性和空间差异化”这两种现象对乌克兰政治更广泛的系统性影响，但我们测试了我们关于对欧盟支持态度的发现，在多大程度上适用于其他问题。
 
我们的研究还发现，本地化的背景/环境对于解释变化动力学的作用，适用于相当广泛的观点态度，包括且不限于其他外交政策偏好、语言政策和民主支持。此外，我们还发现，当地环境会影响人们对邻国俄罗斯的期许（情感两极分化的潜在代表）以及对家庭语言/母语和种族（作为身份的代表）的态度。
 
同时，我们发现，空间分化程度（通过地理坐标的预测能力来衡量）因为少数问题而增加，通常与俄罗斯的持续冲突更密切相关（如对北约成员的支持、对邻国俄罗斯的期许、家庭语言/母语问题）。从这个角度来看，我们讨论有关对欧盟态度的动力学似乎影响了更广泛的一系列态度和与身份相关的指标，但并未导致乌克兰更广泛的政治格局出现大规模空间两极分化。
 
更广泛地说，从理论角度我们预计，对于更为重要、突出的问题，本地同质化日益增强的现象会更加明显——因为问题重要性增加了讨论某一特定问题的可能性，而与大多数人意见相左的代价将更高——并且某些地方原有的均衡态势会更加倾斜。不断增长的空间极化动态过程，取决于——高且持续提高的问题重要性，特定态度或特征的空间分布先前就存在的差异——这两者的组合。综上所述表明，我们的模式将特别有助于了解地理分歧严重的社会中政治动荡或危机背景下的政治变化动力学。
 
在扩展方面，我们已经展示了讨论网络中从众倾向的重要性，但由于空间限制，我们无法解开工作中社会压力的本质。这个问题有很多方面，包括了解正在发挥作用的激励措施的性质，以及人口中不同类型的人们对这些激励措施做出不同反应的程度。这两者都代表了对模型进行扩展的潜在有效途径。
 
另一个可能有趣的扩展是考虑到外部信息冲击，这也是乌克兰的情况所展现的。在乌克兰的例子中，由于俄罗斯侵略，这种冲击可能是亲欧盟的冲击，可能是被同质化（随机选择的个人可能会在某些时候受到一步亲欧盟的推动），也可能是地理上的不平衡[44]。这些不均衡的冲突可能与距离西欧的空间远近有关，也可能与2013/2014亲欧盟抗议活动的时间远近有关[24]。
 
最后，虽然我们的重点是地理上有界限的网络，但未来的研究可以让活跃在社交媒体上的人超越地理限制，并与其他在网上活跃的人建立联系，进而分析。
 
 

参考文献

  1. K. Wolczuk, State building and European integration in Ukraine. Eurasian Geogr. Econ. 60, 736–754 (2019).
  2. M. A. Vachudova, Europe Undivided: Democracy, Leverage, and Integration after Communism (Oxford University Press, 2015).
  3. C. Pattie, R. Johnston, ‘People who talk together vote together’: An exploration of contextual effects in Great Britain. Ann. Assoc. Am. Geogr. 90, 41–66 (2000).
  4. J. Bello, M. Rolfe, Is influence mightier than selection? Forging agreement in political discussion networks during a campaign. Soc. Networks 36, 134–146 (2014).
  5. H. G. Boomgaarden, A. R. Schuck, M. Elebaas, C. H. De Vreese, Mapping EU attitudes: Conceptual and empirical dimensions of Euroscepticism and EU support. Eur. Union Polit. 12, 241–266 (2011).
  6. G. Martin, S. Webster, Does residential sorting explain geographic polarization? Political Sci. Res. Methods 8, 215–231 (2020).
  7. R. Maxwell, Geographic divides and cosmopolitanism: Evidence from Switzerland. Comp. Polit. Stud. 53, 2061–2090 (2020).
  8. J. Mummolo, C. Nall, Why partisans do not sort: The constraints on political segregation. J. Polit. 79, 45–59 (2017).
  9. G. C. Layman, T. M. Carsey, J. M. Horowitz, Party polarization in American politics: Characteristics, causes, and consequences. Annu. Rev. Polit. Sci. 9, 83–110 (2006).
  10. J. R. Brown, R. D. Enos, The measurement of partisan sorting for 180 million voters. Nat. Hum. Behav. 5, 998–1008 (2021).
  11. S. Iyengar, Y. Lelkes, M. Levendusky, N. Malhotra, S. J. Westwood, The origins and consequences of affective polarization in the United States. Annu. Rev. Polit. Sci. 22, 129–146 (2019).
  12. M. R. Beissinger, Nationalist Mobilization and the Collapse of the Soviet State (Cambridge University Press, 2002).
  13. J. M. Oller, A. Satorra, A. Tobeña, Unveiling pathways for the fissure among secessionists and unionists in Catalonia: Identities, family language, and media influence. Palgrave Commun. 5, 148 (2019).
  14. M. MacKuen, C. Brown, Political context and attitude change. Am. Polit. Sci. Rev. 81, 471–490 (1987).
  15. D. Baldassarri, P. Bearman, Dynamics of political polarization. Am. Sociol. Rev. 72, 784–811 (2007).
  16. L. Patterson, Education and opportunity: Is the UK departing from a common tradition? Journal of the British Academy 2, 101–123 (2014).
  17. B. Berelson, P. Lazarsfeld, W. McPhee, Voting: A Study of Opinion Formation in a Presidential Campaign (University of Chicago Press, 1954).
  18. J. Lyons, Where you live and who you know: Political environments, social pressures, and partisan stability. Am. Polit. Res. 39, 963–992 (2011).
  19. A. Kalogeropoulos, D. N. Hopmann, Interpersonal discussions and immigration attitudes. Communications 44, 185–203 (2019).
  20. T. Rodon, M. Guinjoan, When the context matters: Identity, secession and the spatial dimension in Catalonia. Polit. Geogr. 63, 75–87 (2018).
  21. O. Onuch, G. Sasse, The Maidan in movement: Diversity and the cycles of protest. Eur. Asia Stud. 68, 556–587 (2016).
  22. A. Ryabchuk, Right revolution? Hopes and perils of the Euromaidan protests inUkraine.Debatte22, 127–134 (2014).
  23. G. Pop-Eleches, G. B. Robertson, B. Rosenfeld, Protest participation and attitudechange: Evidence from Ukraine’s Euromaidan Revolution.J. Polit.
  24. E. Giuliano, Who supported separatism in Donbas? Ethnicity and popular opinion atthe start of the Ukraine crisis.Post Sov. Aff.34, 158–178 (2018).
  25. O. Shevel, Attitudinal geography in post-Euromaidan Ukraine: Divided, re-divided,or divided no more?APSA Comp. Politics Newslett.25,38–40 (2015).
  26. G. Pop-Eleches, G. B. Robertson, Identity and political preferences in Ukraine–beforeand after the Euromaidan.Post Sov. Aff.34, 107–118 (2018).
  27. A. Flacheet al., Models of social influence: Towards the next frontiers.J. Artif. Soc.Soc. Simul.20,1–31 (2017).
  28. P. Holme, M. E. J. Newman, Nonequilibrium phase transition in the coevolution ofnetworks and opinions.Phys. Rev. E Stat. Nonlin. Soft Matter Phys.74, 056108 (2006).
  29. T. Gross, B. Blasius, Adaptive coevolutionary networks: A review.J. R. Soc. Interface5,259–271 (2008).
  30. T. A. Snijders, G. G. Van de Bunt, C. E. Steglich, Introduction to stochastic actor-basedmodels for network dynamics.Soc. Netw.32,44–60 (2010).
  31. H. Sayamaet al., Modeling complex systems with adaptive networks.Comput. Math.Appl.65, 1645–1664 (2013).
  32. D. Acemoglu, A. Ozdaglar, Opinion dynamics and learning in social networks.Dyn.Games Appl.1,3–49 (2011).
  33. M.Conoveret al.,“PoliticalpolarizationonTwitter”inProceedings of the InternationalAAAI Conference on Web and Social Media(AAAI Publications, Palo Alto, CA, 2011),pp. 89–96.
  34. M. E. J. Newman, The structure and function of complex networks.SIAM Rev.45,167–256 (2003).
  35. M. Maes, L. Bischofberger, Will the personalization of online social networks fosteropinion polarization? SSRN Preprint. 10.2139/ssrn.2553436 (Accessed 21October 2021).
  36. S. Banisch, E. Olbrich, Opinion polarization by learning from social feedback.J. Math.Sociol.43,76–103 (2019).
  37. F. Baumann, P. Lorenz-Spreen, I. M. Sokolov, M. Starnini, Modeling echo chambersand polarization dynamics in social networks.Phys. Rev. Lett.124, 048301 (2020).
  38. M. Wiedermann, J. F. Donges, J. Kurths, R. V. Donner, Spatial network surrogates fordisentangling complex system structure from spatial embedding of nodes.Phys. Rev.E93, 042308 (2016).
  39. L. Barrington, Examining rival theories of demographic influences on political sup-port: The power of regional, ethnic, and linguistic divisions in Ukraine.Eur. J. Polit.Res.41, 455–491 (2002).
  40. I. Katchanovski, Regional political divisions in Ukraine in 1991-2006.Natl. Pap.34,507–532 (2006).
  41. L. Peisakhin,“Long-run persistence of political attitudes and behavior: A focus onmechanisms”in Conference on Historical Legacies and Contemporary Politics,Juan March Institute, Madrid, June. Vol. 1415. (2013).
  42. G. Sasse, The ‘new’ Ukraine: A state of regions.Regional & Federal Studies11,69–100(2001).
  43. P. P. Klamser, M. Wiedermann, J. F. Donges, R. V. Donner, Zealotry effects on opiniondynamics in the adaptive voter model.Phys. Rev. E96, 052315 (2017).
  44. J. Golbeck,Analyzing the Social Web(Morgan Kaufmann, 2013).
  45. J. M. Kleinberg, Navigation in a small world.Nature406, 845 (2000).
  46. D. Brockmann, L. Hufnagel, T. Geisel, The scaling laws of human travel.Nature439,462–465 (2006).
  47. E. Deutschmann, The spatial structure of transnational human activity.Soc. Sci. Res.59, 120–136 (2016).
  48. L. Backstrom, P. Boldi, M. Rosa, J. Ugander, S. Vigna,“Four degrees of separation”inProceedings of the 4th Annual ACM Web Science Conference(WebSci, 2012), pp.33–42.
  49. P. Bri~nol, D. D. Rucker, R. E. Petty, Naïve theories about persuasion: Implications forinformation processing and consumer attitude change.Int. J. Advert. Rev. Market.Commun.34,85–106 (2015).
  50. M. M€as, A. Flache, Differentiation without distancing. Explaining bi-polarization ofopinions without negative influence.PLoS One8, e74516 (2013).
  51. S. B. Hobolt, C. E. de Vries, Public support for European integration.Annu. Rev. Polit.Sci.19, 413–432 (2016).
  52. O. J. Chu, J. F. Donges, G. B. Robertson, G. Pop-Eleches, Code for“The micro-dynamicsof spatial polarization: A model and an application to survey data from Ukraine.”GitHub. https://github.com/oliviachu/ukraine-polarization. Deposited 9 November2021.
  53. O. J. Chu, J. F. Donges, G. B. Robertson, G. Pop-Eleches, Replication Data for“Themicro-dynamics of spatial polarization: A model and an application to survey datafro

（参考文献可上下滑动查看）




计算社会科学读书会第二季


计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。


新一季【计算社会科学读书会】由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，自2022年6月18日开始，持续10-12周。本季读书将聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、新冠疫情研究等课题。读书会详情及参与方式见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与。



详情请见：

数据与计算前沿方法整合：计算社会科学读书会第二季启动



推荐阅读



点击“阅读原文”，报名读书会