论文部分内容阅读
新型冠状病毒肺炎疫情爆发以来，很多管理学者都在探讨危机管理或風险社会管理的议题。这篇随笔想探讨另外一个议题：对管理者而言，疾病传播对创新传播的研究会产生怎样的启发？
过去的传播研究往往忽略了关系、网络结构，所以总是预设人与人之间的传播是在随机网络中的“布朗运动”，就好像空气中的气体分子随机碰撞，碰到谁就和谁发生关系，产生互动或互传。
这样的传播其实预设了一个“S曲线”，如图1所示，经过一段初始的不稳定期（noisy regime）后，传播数量达到了一个引爆趋势的门槛数量（threshold），接着是爆发期（outbreak），即人数以指数式增长的阶段（exponential growth），最后进入平缓的微量成长期（final regime）。
这样的S曲线模型是SIS模型。其所展示的就是上述的动态成长，S（susceptibles）是疑似被传染者，I（infected）是确诊病员，SIS的第一阶段是S→I，疑似感染者真的受到感染而得到确诊。第二阶段则是 I→S，受感染者康复了却不能免疫，仍然是疑似患者。其动态成长就是数量随时间呈S形成长。
而传染病模型还有另一种SIR模型，其第一阶段仍是S→I，第二阶段则是 I→R（removed），受感染者康复了且对病毒产生免疫。所以其成长曲线是一个钟形曲线，受感染者数量达到高峰后迅速下滑。
（取材自Pastor-Satorras， et， al.， 2015）
SIS和SIR两种模型也在创新传播中风行一时。美国人本主义心理学家罗杰斯（Everett M. Rogers）就预设了陌生人之间可能相互示范，创新能够在随机网络中进行“布朗运动”式的传播，并呈S曲线式的成长。但只有电视机、互联网等好用、效用高、易传播的产品，这种创新的传播才具有普遍性，另一些产品则会折戟沉沙，比如Beta录影机。有的产品经过几十年才能达到引爆趋势的门槛数量，而互联网则只需要短短六七年就进入爆发期。
西班牙巴塞罗那大学系统科学学者帕斯特（Pastor-Satorras）等人则指出，传播实际上是在一张复杂关系网中进行的，人际关系的网络结构可以建模解释非常多样的传播形态。其中就包括两个重要的复杂网概念，华兹（Duncan Watts）的小世界网络（SmallWorld Network）和巴拉巴西（Albert-Laszlo Barabasi）的无尺度网络（Scale-Free Network）。这两个网络正好可以用来解释“熟人传播”的现象。
华兹的小世界网络 为什么说我们生活在一个小世界中？小世界网络又有怎样的特点？
真实的世界不是那么随机的，人们因为自己过去的关系，继续延续其未来的关系，相同背景、有共同兴趣的人会喜欢抱团在一起，这样就会形成小圈子。所以，在小世界网络中，大部分节点看似并不相连，但节点之间经过少数几步就可以彼此到达。
人都活在自己的小圈子中，华兹称之为“洞穴人”（Caveman）：山顶的洞穴中住了一群人，他们之间的关系在日夜共居下又紧又密，但要从这个山顶的洞穴到另一个山顶的洞穴，在两个“圈子”间建立关系却非常难，关系少之又少。
华兹将社会网络划分成群，并由此建立了“洞穴人模型”。例如，将一个小城市中的50 000人分成500个群，每个群100人，每个群内部的密度是100%，外部密度是0。这样我们50 000个洞穴人基本活在自己的洞穴中，和其他“洞穴”的49 900人都不认识。这就是“洞穴人模型”，它不再是随机网络，而是更符合“物以类聚、人以群分”的特性。
而小世界是怎么形成的呢？一些洞穴人不安于自己的“洞穴”，喜欢去很远的另一个“洞穴”，复杂网称这种人为长距离的“桥”（“长桥”）。
在现实世界中，比如一个人是中国人，却在美国求学，交了很多美国朋友，中国和美国这两个“洞穴”之间就有了“桥”。再比如一个人是社会学家，却喜欢跑到管理学界、计算机学界和系统科学界，这些原本没关系的洞穴间就有了“桥”。所以，远距离的交流就把这些洞穴迅速地拉近，本来500个洞穴不相连接，现在总体密度不变，洞穴内密度降为98%，却有5万条关系是跨越圈子的。
我们认识了喜欢当桥的人，就很容易连接到遥远洞穴的人，让他们变成我们“朋友的朋友”。当我们通过“长桥”连接到一些“遥远”的、以为不会有关系的人，“小世界网络”就形成了。
小世界网络是在两个极端模型之间的形态，一边就是“洞穴人模型”，大家都住在自己的社区（或称社群，即community，这里泛指所有地理性的社区如小区、村落，实体性社区如职业协会、俱乐部，以及虚拟社区如网上粉丝会）之中，社区之间没有任何连接，另一边则是早期传播理论所假设的“布朗运动”型社会，人与人的关系都是随机建立的。两者的差距主要有一个指标，即聚类系数（clustering coefficient，简称CC）。它反映的是一个个邻接点之间相互连接的程度，聚类系数值越低，越接近随机网络；聚类系数值越高越接近“洞穴人模型”。 巴拉巴西的无尺度网络 在巴拉巴西的网络理论中，无尺度网络是带有另一类特性的復杂网络，网络中的大部分节点只和很少节点连接，而有极少的节点却与非常多的节点连接。
如果一个人只是在自己的一个小洞穴里当王，他就只是一个小枢纽，但这不是真正的枢纽。真正的枢纽是那种超级有活动力的人，他们不但在自己的洞穴中活跃着，而且还连接了30个洞穴或50个洞穴，成为很多人认识其他人的关键人物，即“枢纽点”。
回到传染病的传播。数据拟合SIR模型可找出模型参数，用来预测疫情的指数曲线，以及需要多少床位和医护力量等等。有一些传染病传染能力很强，会在陌生人之间传播，比如流行性感冒通过口沫就能传染，接近“布朗运动”型的传播模式，但实际上，人传人永远最可能传播的是周边的人，传播途径永远和社会网的结构相关。
所以，一方面，在一个社区聚集很密而社区间连接不多的社会里，传染病主要会在社区内感染，而很难传到社区之外，不太会引发大爆发；另一方面，小世界中有很多“长桥”沟通着不同的“洞穴”，“长桥”常常是“跨社区传播者”，正是这些长桥使得不同社区间的个人得以在很短的“关系距离”内就得以传播。比如一个疫区大公司的总工程师在组织内是一个中心，但过着两点一线的生活，所以就全城而言可能只是一个普通节点，还没有外卖小哥的中介性高，这时外卖小哥反而成为“长桥”，把传染病传入不同社区。
传染病的传播能力也与小世界社会网中的传播有关，一些传播相对困难的传染病——比如要经血液、体液才能传染的艾滋病——更会在社区（如吸毒的一群人或卖血盛行的地区）中传播。“长桥”的扮演者一定是一些特别的人，如多重性伴侣者或组织卖血的血头，一般人如快递小哥与回乡的打工者就不可能成为“长桥”。所以，如果截断了这类“长桥”的跨社区传播，就如同提高了社会网中的聚类系数，降低了传染病在社区间传播的能力，从而减少了大爆发的可能。新冠肺炎疫情期间，很多城市的小区采取封闭式管理，正是为了拉高聚类系数。
“长桥”之中又有一种人，就是上述巴拉巴西所说的“枢纽”，他们不但是跨社区传播的传播者，还是整个社会网络的中心人物，有着极高的连接程度，一旦枢纽成为传播者，就会引发非常多社区的感染。艾滋病的传染过程中，一些海员染病者在每个港口寻花问柳，成为疫情大面积扩散的重要节点。
回到管理者们所关注的创新与创新传播的议题。美国宾州大学传播学教授桑托拉（Damon Centola）在Science期刊上曾发表过一篇有趣的论文，他做了一个网上的社会实验，将1 528位自愿参加实验的人随机分成两群，事先设计好一群以小世界网络为群体网络结构的方式，另外一群则在保证个人连接性不变的一般情况下，尽量降低聚类系数使之接近随机网络。因为是随机分配志愿者进入这两个网络结构中，所以他们原来并不会有既定的关系，从而控制了关系强度带来的影响。
然后，实验者让志愿者向自己的“邻居”——在网络中有直接连带的人——传一些保持健康行为的“广告”，再追踪谁因为“广告”而改变了自己的健康相关行为。最后发现，人们不太会因为收到一次 “朋友”的“广告”（建议）就采信，而往往要多人都给出相同的建议才会采信。所以，随机网络中的人因为信息来自四面八方，常常只收到一次“广告”而没有作出行为改变；而在小世界网络中的人们，会因为在社区中反复收到“广告”而改变行为，再通过“长桥”影响其他社区，在适当条件下小世界网络中的行为改变的传播速度会较快。
由这个实验可得出一个结论：飞沫传染的疾病更容易在大庭广众之间“布朗运动”式地传播，谣言在轻信者间也可以像“布朗运动”般传散；而创新传播则很少是呈S曲线的，就如同经血液传染的疾病也是通过社区与“长桥”来传播的。思想、观念的传播必须深入各类“社区”，反复互动，才能有效传播。
同样，思想上、制度上的重大创新往往来自边缘，且容易引发争议而不易为他人采用。这些创新更可能在社区之中反复、深度的互动下，即在适当的小世界网络结构下传播才可能成功。
前述的聚类系数反映的是一个点的邻接点之间相互连接的程度，例如生活社交网络中，你的朋友之间相互认识的程度。聚类系数太低，就会趋近于随机网络，这类创新是传不出去的，因为周围反对创新的人“一傅众咻”之下就会把创新扼杀了。而聚类系数太高，又会成为“洞穴人模型”，创新能活下来，却只会在一两个社区中存在，同样不能广传而影响整个系统。
而一个系统网络的幂律，简单地说，就是网络连接的集中程度，它是一个衡量枢纽影响力的指标。系统网络的幂律太低，就接近随机网络，没办法让创新发生或生存；太高，则所有网络的连接集中在少数大枢纽身上，好处是一旦大枢纽采用了创新，创新会传播得极快，但坏处是这几个大枢纽之外的网络往往密度低、社区少，由下而上的边缘创新难以发生和传播，更难以在传播过程中得到正、负反馈，自我改善。
复杂系统的领导者要维持系统中适当的网络结构，因为只有合宜的网络结构才会促使边缘创新发生、传播，并影响整个系统。在数个边缘创新中选择出最适应外在环境变化的创新，在系统中推广，并由此改造系统以促成系统转型，正是复杂系统领导者的重大责任。而没有适当的社会网结构，可能一个边缘创新都不会产生，更遑论数个创新的同时发生、相生相克、合作竞争和优胜劣汰了。
思想、制度、行为模式或颠覆性产品的创新传播，靠的是社区和“长桥”，所以系统领导者要维护一定的社会网结构才能促成这样的创新“冒出头来”。领导者可以从社会网络的社区发达程度、“长桥”活跃程度及权力的集中度三个维度构建良好的、有利于创新的网络结构。
从社会网络的集中度来看，一方面，社会网络不能太分散而形成随机网络，领导者要鼓励人际关系的互动与结社，创造建立社区的好环境；另一方面，它也不能“结社”太紧，成了“洞穴人模型”。领导者要鼓励多元包容，跨界连接，以创造很多“长桥”，最终促成跨社区的创新传播。
而从权力集中度的角度来看，一方面，社会网络既不能太过分权，否则不是形成“随机网络”就是成了“洞穴人模型”；另一方面，它又不能太过集权，否则会导致除了几个大枢纽的“精英俱乐部”外，整个网络都是一盘散沙，不会产生边缘创新与创新传播。
但是从动态的视角来看，当一群边缘创新在良好的网络结构中产生并传播，相互提供正负反馈，合作又竞争，逐渐看出最能适应外界环境变动的“适者”时，如果能从一个不过分分权又不过分集权的结构中迅速集中力量，让枢纽发挥传播效果，则会把大量“对”的创新加速传播出去。这就是“集中力量办对事”的过程，即先分权找到“对”的事，再集权推动“对”的事。
疫情传播模式对创新传播还有另一个重大启发，就是大数据与复杂科学的结合会给相关的学术研究带来一片蓝海，过去只有一些宏观的数据去拟合S曲线或钟形曲线，现在Facebook、Twitter这类平台收集了大量的人际互动信息，从而可以描绘出社会网结构的状况，过去很难描述的微观传播行为、传播过程与传播网络成为崭新的研究议题。从微观的行为，经过特定网络结构，分析如何引爆“大爆发”，也因此被提上了研究议程。
荷兰马斯垂克大学的生理学者希斯特毕克（Hans Heesterbeek）等人指出，针对公共卫生政策所提出的很多问题，如今可以用大数据的收集、资料挖掘与复杂系统的建模而加以解答，从而为决策者提供重要的参考依据；同样地，对复杂系统领导者而言，对于“如何找到多元力量的崛起”“新生事物的传播过程”“势的大爆发”“势的转折”“系统是否进入非常态”等问题的研究也可以为大数据和复杂网建模的研究提供决策参考。
疾病传播的两种模型
过去的传播研究往往忽略了关系、网络结构，所以总是预设人与人之间的传播是在随机网络中的“布朗运动”，就好像空气中的气体分子随机碰撞，碰到谁就和谁发生关系，产生互动或互传。
这样的传播其实预设了一个“S曲线”，如图1所示，经过一段初始的不稳定期（noisy regime）后，传播数量达到了一个引爆趋势的门槛数量（threshold），接着是爆发期（outbreak），即人数以指数式增长的阶段（exponential growth），最后进入平缓的微量成长期（final regime）。
这样的S曲线模型是SIS模型。其所展示的就是上述的动态成长，S（susceptibles）是疑似被传染者，I（infected）是确诊病员，SIS的第一阶段是S→I，疑似感染者真的受到感染而得到确诊。第二阶段则是 I→S，受感染者康复了却不能免疫，仍然是疑似患者。其动态成长就是数量随时间呈S形成长。
而传染病模型还有另一种SIR模型，其第一阶段仍是S→I，第二阶段则是 I→R（removed），受感染者康复了且对病毒产生免疫。所以其成长曲线是一个钟形曲线，受感染者数量达到高峰后迅速下滑。
图1 S曲线与钟形曲线示意图
（取材自Pastor-Satorras， et， al.， 2015）
复杂网的两种传播形态
SIS和SIR两种模型也在创新传播中风行一时。美国人本主义心理学家罗杰斯（Everett M. Rogers）就预设了陌生人之间可能相互示范，创新能够在随机网络中进行“布朗运动”式的传播，并呈S曲线式的成长。但只有电视机、互联网等好用、效用高、易传播的产品，这种创新的传播才具有普遍性，另一些产品则会折戟沉沙，比如Beta录影机。有的产品经过几十年才能达到引爆趋势的门槛数量，而互联网则只需要短短六七年就进入爆发期。
西班牙巴塞罗那大学系统科学学者帕斯特（Pastor-Satorras）等人则指出，传播实际上是在一张复杂关系网中进行的，人际关系的网络结构可以建模解释非常多样的传播形态。其中就包括两个重要的复杂网概念，华兹（Duncan Watts）的小世界网络（SmallWorld Network）和巴拉巴西（Albert-Laszlo Barabasi）的无尺度网络（Scale-Free Network）。这两个网络正好可以用来解释“熟人传播”的现象。
华兹的小世界网络 为什么说我们生活在一个小世界中？小世界网络又有怎样的特点？
真实的世界不是那么随机的，人们因为自己过去的关系，继续延续其未来的关系，相同背景、有共同兴趣的人会喜欢抱团在一起，这样就会形成小圈子。所以，在小世界网络中，大部分节点看似并不相连，但节点之间经过少数几步就可以彼此到达。
人都活在自己的小圈子中，华兹称之为“洞穴人”（Caveman）：山顶的洞穴中住了一群人，他们之间的关系在日夜共居下又紧又密，但要从这个山顶的洞穴到另一个山顶的洞穴，在两个“圈子”间建立关系却非常难，关系少之又少。
华兹将社会网络划分成群，并由此建立了“洞穴人模型”。例如，将一个小城市中的50 000人分成500个群，每个群100人，每个群内部的密度是100%，外部密度是0。这样我们50 000个洞穴人基本活在自己的洞穴中，和其他“洞穴”的49 900人都不认识。这就是“洞穴人模型”，它不再是随机网络，而是更符合“物以类聚、人以群分”的特性。
而小世界是怎么形成的呢？一些洞穴人不安于自己的“洞穴”，喜欢去很远的另一个“洞穴”，复杂网称这种人为长距离的“桥”（“长桥”）。
当我们通过“长桥”连接到一些“遥远”的、以为不会有关系的人时，“小世界网络” 就形成了。
在现实世界中，比如一个人是中国人，却在美国求学，交了很多美国朋友，中国和美国这两个“洞穴”之间就有了“桥”。再比如一个人是社会学家，却喜欢跑到管理学界、计算机学界和系统科学界，这些原本没关系的洞穴间就有了“桥”。所以，远距离的交流就把这些洞穴迅速地拉近，本来500个洞穴不相连接，现在总体密度不变，洞穴内密度降为98%，却有5万条关系是跨越圈子的。
我们认识了喜欢当桥的人，就很容易连接到遥远洞穴的人，让他们变成我们“朋友的朋友”。当我们通过“长桥”连接到一些“遥远”的、以为不会有关系的人，“小世界网络”就形成了。
小世界网络是在两个极端模型之间的形态，一边就是“洞穴人模型”，大家都住在自己的社区（或称社群，即community，这里泛指所有地理性的社区如小区、村落，实体性社区如职业协会、俱乐部，以及虚拟社区如网上粉丝会）之中，社区之间没有任何连接，另一边则是早期传播理论所假设的“布朗运动”型社会，人与人的关系都是随机建立的。两者的差距主要有一个指标，即聚类系数（clustering coefficient，简称CC）。它反映的是一个个邻接点之间相互连接的程度，聚类系数值越低，越接近随机网络；聚类系数值越高越接近“洞穴人模型”。 巴拉巴西的无尺度网络 在巴拉巴西的网络理论中，无尺度网络是带有另一类特性的復杂网络，网络中的大部分节点只和很少节点连接，而有极少的节点却与非常多的节点连接。
如果一个人只是在自己的一个小洞穴里当王，他就只是一个小枢纽，但这不是真正的枢纽。真正的枢纽是那种超级有活动力的人，他们不但在自己的洞穴中活跃着，而且还连接了30个洞穴或50个洞穴，成为很多人认识其他人的关键人物，即“枢纽点”。
回到传染病的传播。数据拟合SIR模型可找出模型参数，用来预测疫情的指数曲线，以及需要多少床位和医护力量等等。有一些传染病传染能力很强，会在陌生人之间传播，比如流行性感冒通过口沫就能传染，接近“布朗运动”型的传播模式，但实际上，人传人永远最可能传播的是周边的人，传播途径永远和社会网的结构相关。
所以，一方面，在一个社区聚集很密而社区间连接不多的社会里，传染病主要会在社区内感染，而很难传到社区之外，不太会引发大爆发；另一方面，小世界中有很多“长桥”沟通着不同的“洞穴”，“长桥”常常是“跨社区传播者”，正是这些长桥使得不同社区间的个人得以在很短的“关系距离”内就得以传播。比如一个疫区大公司的总工程师在组织内是一个中心，但过着两点一线的生活，所以就全城而言可能只是一个普通节点，还没有外卖小哥的中介性高，这时外卖小哥反而成为“长桥”，把传染病传入不同社区。
传染病的传播能力也与小世界社会网中的传播有关，一些传播相对困难的传染病——比如要经血液、体液才能传染的艾滋病——更会在社区（如吸毒的一群人或卖血盛行的地区）中传播。“长桥”的扮演者一定是一些特别的人，如多重性伴侣者或组织卖血的血头，一般人如快递小哥与回乡的打工者就不可能成为“长桥”。所以，如果截断了这类“长桥”的跨社区传播，就如同提高了社会网中的聚类系数，降低了传染病在社区间传播的能力，从而减少了大爆发的可能。新冠肺炎疫情期间，很多城市的小区采取封闭式管理，正是为了拉高聚类系数。
“长桥”之中又有一种人，就是上述巴拉巴西所说的“枢纽”，他们不但是跨社区传播的传播者，还是整个社会网络的中心人物，有着极高的连接程度，一旦枢纽成为传播者，就会引发非常多社区的感染。艾滋病的传染过程中，一些海员染病者在每个港口寻花问柳，成为疫情大面积扩散的重要节点。
创新与创新传播
回到管理者们所关注的创新与创新传播的议题。美国宾州大学传播学教授桑托拉（Damon Centola）在Science期刊上曾发表过一篇有趣的论文，他做了一个网上的社会实验，将1 528位自愿参加实验的人随机分成两群，事先设计好一群以小世界网络为群体网络结构的方式，另外一群则在保证个人连接性不变的一般情况下，尽量降低聚类系数使之接近随机网络。因为是随机分配志愿者进入这两个网络结构中，所以他们原来并不会有既定的关系，从而控制了关系强度带来的影响。
思想上、制度上的重大创新往往来自边缘，且容易引发争议而不易为他人采用。这些创新更可能在社区之中反复、深度的互动下，即在适当的小世界网络结构下传播才可能成功。
然后，实验者让志愿者向自己的“邻居”——在网络中有直接连带的人——传一些保持健康行为的“广告”，再追踪谁因为“广告”而改变了自己的健康相关行为。最后发现，人们不太会因为收到一次 “朋友”的“广告”（建议）就采信，而往往要多人都给出相同的建议才会采信。所以，随机网络中的人因为信息来自四面八方，常常只收到一次“广告”而没有作出行为改变；而在小世界网络中的人们，会因为在社区中反复收到“广告”而改变行为，再通过“长桥”影响其他社区，在适当条件下小世界网络中的行为改变的传播速度会较快。
由这个实验可得出一个结论：飞沫传染的疾病更容易在大庭广众之间“布朗运动”式地传播，谣言在轻信者间也可以像“布朗运动”般传散；而创新传播则很少是呈S曲线的，就如同经血液传染的疾病也是通过社区与“长桥”来传播的。思想、观念的传播必须深入各类“社区”，反复互动，才能有效传播。
同样，思想上、制度上的重大创新往往来自边缘，且容易引发争议而不易为他人采用。这些创新更可能在社区之中反复、深度的互动下，即在适当的小世界网络结构下传播才可能成功。
前述的聚类系数反映的是一个点的邻接点之间相互连接的程度，例如生活社交网络中，你的朋友之间相互认识的程度。聚类系数太低，就会趋近于随机网络，这类创新是传不出去的，因为周围反对创新的人“一傅众咻”之下就会把创新扼杀了。而聚类系数太高，又会成为“洞穴人模型”，创新能活下来，却只会在一两个社区中存在，同样不能广传而影响整个系统。
而一个系统网络的幂律，简单地说，就是网络连接的集中程度，它是一个衡量枢纽影响力的指标。系统网络的幂律太低，就接近随机网络，没办法让创新发生或生存；太高，则所有网络的连接集中在少数大枢纽身上，好处是一旦大枢纽采用了创新，创新会传播得极快，但坏处是这几个大枢纽之外的网络往往密度低、社区少，由下而上的边缘创新难以发生和传播，更难以在传播过程中得到正、负反馈，自我改善。
复杂系统的领导者要维持系统中适当的网络结构，因为只有合宜的网络结构才会促使边缘创新发生、传播，并影响整个系统。在数个边缘创新中选择出最适应外在环境变化的创新，在系统中推广，并由此改造系统以促成系统转型，正是复杂系统领导者的重大责任。而没有适当的社会网结构，可能一个边缘创新都不会产生，更遑论数个创新的同时发生、相生相克、合作竞争和优胜劣汰了。
什么样的创新才能得以传播？
思想、制度、行为模式或颠覆性产品的创新传播，靠的是社区和“长桥”，所以系统领导者要维护一定的社会网结构才能促成这样的创新“冒出头来”。领导者可以从社会网络的社区发达程度、“长桥”活跃程度及权力的集中度三个维度构建良好的、有利于创新的网络结构。
从社会网络的集中度来看，一方面，社会网络不能太分散而形成随机网络，领导者要鼓励人际关系的互动与结社，创造建立社区的好环境；另一方面，它也不能“结社”太紧，成了“洞穴人模型”。领导者要鼓励多元包容，跨界连接，以创造很多“长桥”，最终促成跨社区的创新传播。
而从权力集中度的角度来看，一方面，社会网络既不能太过分权，否则不是形成“随机网络”就是成了“洞穴人模型”；另一方面，它又不能太过集权，否则会导致除了几个大枢纽的“精英俱乐部”外，整个网络都是一盘散沙，不会产生边缘创新与创新传播。
但是从动态的视角来看，当一群边缘创新在良好的网络结构中产生并传播，相互提供正负反馈，合作又竞争，逐渐看出最能适应外界环境变动的“适者”时，如果能从一个不过分分权又不过分集权的结构中迅速集中力量，让枢纽发挥传播效果，则会把大量“对”的创新加速传播出去。这就是“集中力量办对事”的过程，即先分权找到“对”的事，再集权推动“对”的事。
疫情传播模式对创新传播还有另一个重大启发，就是大数据与复杂科学的结合会给相关的学术研究带来一片蓝海，过去只有一些宏观的数据去拟合S曲线或钟形曲线，现在Facebook、Twitter这类平台收集了大量的人际互动信息，从而可以描绘出社会网结构的状况，过去很难描述的微观传播行为、传播过程与传播网络成为崭新的研究议题。从微观的行为，经过特定网络结构，分析如何引爆“大爆发”，也因此被提上了研究议程。
荷兰马斯垂克大学的生理学者希斯特毕克（Hans Heesterbeek）等人指出，针对公共卫生政策所提出的很多问题，如今可以用大数据的收集、资料挖掘与复杂系统的建模而加以解答，从而为决策者提供重要的参考依据；同样地，对复杂系统领导者而言，对于“如何找到多元力量的崛起”“新生事物的传播过程”“势的大爆发”“势的转折”“系统是否进入非常态”等问题的研究也可以为大数据和复杂网建模的研究提供决策参考。