政治人物砸重金投广告，为什么支持率还是会突然崩盘？一个系统动力学模型给出了答案

2016年之后，很多政治观察者都注意到一个奇怪的现象。

有些候选人前期声势浩大，广告铺天盖地，社交媒体上话题不断，眼看着支持率一路冲高。结果选举日临近，支持率突然掉头向下，跌得比涨得还快。竞选团队百思不得其解，明明砸了更多钱做宣传，效果怎么反而适得其反了？

传统的政治传播研究习惯把这类现象归结为"某次演讲失误"或者"某个丑闻曝光"，用一个个孤立事件去解释支持率的起伏。但这篇来自亚洲商学院的论文提出了一个不太一样的视角。研究者马来西亚学者拉姆利认为，问题不在于某一次具体事件，而在于整个系统的运行逻辑本身就有内在的反弹机制。

这篇论文做的事情，是把爱德华·伯奈斯（现代公关理论奠基人）几十年前提出的公关方法论，和系统动力学这门研究反馈回路的学科结合起来，造了一个叫"动态民主同意"的分析框架，英文缩写DDC。

**核心问题：为什么线性思维会让人误判**

传统竞选分析有一个隐藏假设，广告投放越多，支持率涨幅越大，两者之间是比例关系。这就好比觉得往气球里打气，打得越多气球就越大。

但气球会爆炸。

论文指出，公众舆论其实是一个由多重反馈机制驱动的复杂系统，里面至少有四种力量在同时起作用：自我加速的滚雪球效应、天花板式的天然约束、信息传递的时间延迟、以及不同力量之间此消彼长的主导权转移。这四种模式被研究者统称为S-E-E-D，分别对应英文单词Snowball（雪球）、Equilibrium（均衡）、Elastic（弹性）、Dominance（主导）的首字母。

不理解这四种模式，就会把支持率的波动错误地归因于某次具体的传播失误，而实际上问题出在系统结构本身。

**四种资源的现代版：伯奈斯的3M加上算法媒体**

伯奈斯在他的经典著作《制造同意》里提出，任何公关行动都受制于三种资源：人力、脑力、资金。

人力好理解，就是竞选团队的工作人员和志愿者网络。脑力指的是分析舆情、设计策略、把党派诉求和公共利益对接起来的智力投入。资金则决定了整个campaign能烧多大的盘子。

但这是1955年的理论，那时候还没有社交媒体算法这回事。研究者在这三个M之上加了第四个M，算法媒体基础设施。

算法媒体：指依靠推荐算法进行内容分发的社交平台系统，它能大幅压缩信息传播的时间延迟，实现精准的用户画像投放和情绪放大效果。

加上这第四个M之后会发生什么？论文给出了一张对比图，传统的人力、脑力、资金这三项资源的传播速度提升幅度差别不大，但算法媒体这一项的放大效果是断崖式的，图表里显示的数值几乎是前三项的两倍以上。

这里有个关键但容易被忽略的地方，算法媒体不是万能加速器。它更像是一个条件放大器，效果好不好取决于平台架构设计、受众网络是否碎片化、对手有没有反制话术。

打个比方，这就像给一辆车装了涡轮增压。装了涡轮之后车确实能跑得更快，但如果路面湿滑，或者对手也装了同款涡轮，你的速度优势就被抵消了。如果不装涡轮，车速上限是固定的，慢是慢，但至少可控。装了涡轮之后，速度是上去了，可一旦操作失误，翻车的风险和速度是同比放大的。这就是为什么论文反复强调算法媒体是"条件性"的第四维度，而不是能直接兑现的确定性红利。

**三个反馈回路：加速、天花板、信任崩塌**

论文的核心图示是一张因果回路图，里面画了三个环。

第一个环叫R1，病毒式动能。媒体推送提升选民情绪，情绪推动支持率上升，支持率上升又带来更多社交分享，分享反过来加强媒体曝光。这是个正向循环，越滚越大。

第二个环叫B1，选民饱和天花板。支持率涨到一定程度，选民基本盘接近上限，这时候再怎么推也推不动了，因为能被说服的人已经被说服完了。

饱和：指某个变量接近其结构性上限时增长速度自然放缓的现象，就像杯子装满水之后再倒水只会溢出而不会让水位继续上升。

第三个环叫B2，信任衰减。这一环是伯奈斯留给后人最重要的警告，如果宣传制造的期待超过了实际能兑现的政绩，就会拉大"政策缺口"，这个缺口会持续侵蚀公众对机构的信任，而信任一旦下降，反过来又会压缩有效支持率的天花板。

这三个环凑在一起，就形成了一个完整的、会自我调节的系统，而不是简单的输入产出关系。

**支持率的四种数学形态：从雪球到过山车**

论文用了几组微分方程来描述这四种行为模式，读起来有点吓人，但拆开看逻辑并不复杂。

雪球式增长最简单，支持率的变化速度和当前支持率成正比，公式是dS/dt=gS(t)。这意味着基数越大，增长越快，早期涨得慢，后期涨得飞快，这就是所谓的指数曲线。论文配的图显示，这条曲线在竞选前30周几乎看不出明显变化，但30周之后突然拉出一条陡峭的上扬线。

均衡调节模式则相反，支持率会以固定速度朝着某个目标值靠拢，公式里出现了一个叫"支持调整时滞"的参数，代表团队做出反应需要多长时间。

支持调整时滞：指从民意发生变化到竞选团队做出相应策略调整之间所需要的平均时间，单位是周。

真正有意思的是第三种，弹性调节模式，这也是最容易被忽视但代价最大的一种。这里引入了一个"感知延迟"概念，团队不是根据真实的实时支持率做决策，而是根据经过一定延迟才反映出来的民调数据做决策。

感知延迟：指真实民意状况传导到决策者可观测的民调数字之间存在的时间差，这个时间差如果处理不当会诱发过度反应。

论文推导出一个数学条件，当反应力度、支持衰减率和感知延迟三者的关系不满足某个不等式时，系统就会进入欠阻尼振荡状态。翻译成人话就是，如果团队看到民调下滑就立刻猛砸钱拉抬，而这份民调数据本身已经是几周前的旧信息，那么等广告效果真正显现的时候，实际支持率可能早就自然回升了，团队这一波操作反而造成了过度刺激，把原本平稳的曲线搞成了大起大落的过山车。

这就好比你开车过弯，方向盘的反应比你实际看到的路况晚了半秒。如果你看到弯道才打方向，车早就冲出去了；但如果你为了补偿这半秒延迟提前猛打方向，又会打过头，车身左右摇摆，比不做修正还危险。如果完全不管这个延迟，凭感觉随便打方向盘，短期内偶尔能蒙对，但长期一定会翻车。这正是论文里那张震荡曲线图想说的事情，选民支持率在50%上下反复摇摆了三四个周期才勉强稳定下来，代价是整个竞选中期陷入混乱。

**支持天花板不是固定的，它会被信任侵蚀**

论文里还有一个精妙的设计，把"有效支持上限"和"制度信任"绑定在了一起。

原本大家以为，一个地区能争取到的选民支持存在一个客观的人口学上限，比如这个选区总共就100万选民，你最多也就争取到这么多人。但论文提出，这个上限本身是动态的，会随着制度信任水平上下浮动。公式里引入了一个"有效支持天花板"，它等于人口学上限乘以一个和信任值挂钩的系数。

制度信任：指民众对政治组织可信度和履约能力的累积评价，是一个介于0到100之间的动态指标，会随着承诺兑现情况上升或下降。

这个设计解释了为什么"过度承诺、兑现不足"的策略短期看起来有效，长期却是灾难。论文配的那张"过度承诺陷阱"图非常直观，前20周支持率一路飙升，同时信任天花板缓慢下降，两条线在某个点交叉，交叉之后支持率断崖式跳水，跌得比涨得还快还陡。

这就像信用卡透支消费，前期刷卡消费带来的快感立竿见影，账单上的数字看起来无所谓，可信用额度这条隐形天花板一直在悄悄下调。一旦某天额度被刷爆，之前靠透支撑起来的生活水平瞬间崩塌，而且崩塌速度往往比累积消费的速度更快，因为银行会同时收紧后续所有的信贷渠道。如果一开始就量入为出，虽然消费能力有限，至少不会有断崖式的信用破产风险。

**四步诊断法，从看曲线到改结构**

针对上面这些问题，论文提出了一套四步诊断流程，供竞选策略师在实战中使用。

第一步是描画当前轨迹，把民调、社交媒体互动、募款数据摆在时间轴上，判断现在到底是在上涨、停滞、震荡还是下跌。第二步是回路识别，搞清楚眼下这个走势背后到底是哪个环在起主导作用，是病毒式的R1在推动，还是B1的饱和限制在起作用，或者是感知延迟在制造虚假信号。第三步是政策设计，这一步论文特别强调要回归伯奈斯的核心原则，"用行动兑现语言"，也就是先解决实际的政策执行问题，而不是简单加大宣传投放。第四步是预测走向，模拟这个干预措施实施之后，主导回路会不会发生转移，支持率能不能重新稳定下来。

论文里配了一张干预前后的对比图，第20周之前是典型的震荡曲线，忽高忽低，第20周实施了政策层面的干预之后，曲线平滑地过渡成一条持续上扬并逐渐收敛的S型曲线。

**两种失败模式，光打雷不下雨和使劲推推不动**

论文特意点名了两种最常见的竞选翻车模式。

第一种叫"光打雷不下雨"，团队用猛烈的公关攻势去掩盖实际政策交付上的短板。这种策略短期内确实能制造一波支持率的虚假繁荣，但因为背后没有真实政绩支撑，制度信任会持续走低，直到某个临界点，信任撑不住虚高的支持率，系统就会经历急速崩盘，而且这种崩盘一旦发生，单靠加大传播力度已经救不回来了。

第二种叫"政策抵抗高原"，团队不断加码广告投放，试图突破支持率的瓶颈，结果却发现效果越来越差。这是因为持续的强推激活了一系列此前没被注意到的平衡回路，比如选民疲劳、媒体质疑、反对派的针对性动员。这些力量会像弹簧一样反过来抵消宣传攻势的作用，最后表现为，广告费一直在涨，支持率却卡在某个水平线上纹丝不动。

论文配的图很直观，广告支出那条线一路向右上方倾斜，支持率那条线却在45%附近横平躺着，两条线的方向完全脱节。要打破这种僵局，唯一的办法是先去解决选民不满的根本原因，而不是继续往同一个方向加大投入。

**伦理边界：这套框架不是操纵手册**

论文的第七部分专门讨论了伦理问题，这一点值得多说几句，因为一个能精准预测舆论走向的模型，很容易被误读成"如何更高效地操纵民意"的说明书。

作者明确划出了四条红线。第一，透明度，要求消息来源、资金来源、算法投放参数必须公开可查。第二，公众自主权，禁止使用隐蔽或带有心理胁迫性质的精准投放手段。第三，数据伦理，严格禁止掠夺性的行为画像和歧视性的选民压制策略。第四，可争议性，必须为公开批评、独立事实核查和有力的政治反对保留制度空间。

作者反复强调，这套框架里的"期望管理"指的是坦诚沟通实施过程中的限制、时间表和不确定性，而不是隐瞒关键信息、伪造成就或者把延迟的政策包装成已经完成的政绩。信息扭曲或许能带来短期传播优势，但持续的言行不一会加剧长期的信任侵蚀，让整个系统变得更脆弱。这也正好呼应了前面提到的信任天花板机制，说得漂亮但做不到，最后受伤的还是自己。

**这套框架自己承认的局限**

值得说的是，论文本身对自己的局限性写得相当坦诚，一共列了八条。

模型目前还停留在概念验证阶段，方程和图表都是示意性质的推演，没有拿真实选举数据去校准过参数。它把所有选民简化成了一个统一的整体，没有考虑不同人群之间的差异。它假设的是单一组织的反馈循环，没有涵盖多党博弈、议会谈判这些更复杂的制度环境。它把算法媒体当成一个抽象的放大器，没有区分不同平台架构和监管环境带来的差异。传播策略、政策表现、公众支持、制度信任这几个变量互相影响，论文没有解决其中的因果识别问题。模型选用的函数形式，比如逻辑斯蒂增长曲线，换一种数学形式可能会得出不同的结论。最后，支持率、感知支持、制度信任这些概念虽然被当成可测量的指标，但具体怎么测、用什么民调工具测，还有待后续研究验证。

这种自我坦白式的写法在学术论文里不算常见，作者显然更希望这套框架被当作一个思考工具，而不是一个可以直接套用的预测公式。

写在后面

读完这篇论文，印象最深的其实不是那些微分方程，而是那种"延迟"带来的连锁反应。

我们平时判断一件事的好坏，习惯用当下能看到的结果去衡量。民调涨了就觉得策略对，民调跌了就觉得要加大投入。但论文里那个感知延迟的机制提醒我们，你现在看到的数字，反映的可能是几周前的真实状态，而你现在做的决策，要等到几周后才会真正生效。这中间的时间差足以让所有基于"看数据做反应"的直觉判断全部失灵。

这个逻辑其实不止适用于政治竞选。任何存在反馈延迟的系统，比如企业的库存管理、个人的健康调理、甚至亲密关系里的沟通，都容易陷入类似的过度反应陷阱。看到问题就立刻用力过猛地纠正，结果因为纠正措施还没显效，又基于旧数据做了第二次纠正，最后越调越乱。

论文里那个"有效支持天花板会被信任侵蚀"的设定，也让我重新想了一下什么叫可持续的说服力。我们总觉得说服别人是一次性的技巧问题，说得好听点，对方就信了。但这个模型说的是，每一次言过其实的承诺，都在悄悄压低你未来能触达的上限，这笔账迟早是要还的。

这套框架目前还只是个概念模型，没有真实数据支撑，作者自己也承认这一点。但它提出的问题足够扎实，一个组织到底该把资源砸在传播上，还是砸在解决问题本身上，这个选择的代价，可能要等很久之后才会显现出来。

Q&A

Q1：动态民主同意框架是什么？

A：这是马来西亚学者拉姆利提出的一套理论框架，把伯奈斯的公关理论和系统动力学的反馈回路模型结合起来，用来分析政治支持率背后的滚雪球效应、饱和限制、延迟反应和信任侵蚀四种动态机制。

Q2：为什么加大广告投放有时候反而会让支持率下降？

A：论文指出，如果团队根据存在延迟的民调数据做出过度反应，会引发欠阻尼振荡，导致支持率大起大落。同时，如果宣传超过实际政绩兑现能力，会侵蚀制度信任，压缩有效支持率的天花板，最终引发支持率断崖式下跌。

Q3：这套模型有没有经过真实选举数据验证？

A：目前没有。论文作者明确说明这是一个概念性、探索性的框架，所用的图表都是模拟或示意性质的，还没有用具体历史选举数据进行参数校准和统计检验，需要后续实证研究跟进。