沈 陽，夏 日

(華僑大學 旅游學院，福建 泉州 362021)

網(wǎng)絡輿情是指為個人或者各種社會群體、組織，通過網(wǎng)絡渠道，對自己關心或與自身利益緊密相關的各種公共事物所表達的多種情緒、態(tài)度和意見的總和。［1］作為網(wǎng)絡環(huán)境下的新媒體，微博從數(shù)據(jù)獲取和主流層次上都具有典型價值性，并從時間、地點、發(fā)布設備等方面解放了網(wǎng)民的話語權(quán)，因此，微博迅速成為網(wǎng)絡輿情傳播的新途徑和主要載體。近年來，臺灣阿里山小火車事故、華山景區(qū)游客被刀捅、三亞宰客、九寨溝游客大規(guī)模滯留等旅游突發(fā)事件頻發(fā)，威脅到游客的人身和財產(chǎn)安全，影響著社會正常的經(jīng)濟秩序。旅游突發(fā)事件的破壞性和危害性容易引發(fā)社會輿論，如果輿情沒有得到及時的控制和引導，會造成謠言出現(xiàn)、事件升溫、民眾情緒失控等不良后果。因此，研究旅游突發(fā)事件在微博這個主流媒體平臺中的傳播規(guī)律，對旅游產(chǎn)業(yè)實現(xiàn)對網(wǎng)絡輿情的應急控制具有現(xiàn)實的指導價值。國內(nèi)學者對網(wǎng)絡輿情這一領域進行了較為豐富的探索，比較而言，國內(nèi)學者對旅游突發(fā)事件的輿情研究，著重于探索媒體的責任，［2，3］缺少立足于網(wǎng)絡微博平臺的網(wǎng)民輿情傳播與參與行為分析，這使傳統(tǒng)研究缺乏對社會公眾在網(wǎng)絡輿情傳播中扮演的角色和作用的認知基礎。因此，從行為學視角入手，對旅游突發(fā)事件在微博平臺中的實時傳播規(guī)律進行系統(tǒng)研究，是一個具有典型價值的理論選題。

一、研究方法與數(shù)據(jù)來源

(一)研究方法

本文采用SOM 神經(jīng)網(wǎng)絡對30 起旅游突發(fā)事件的數(shù)據(jù)進行聚類分析。SOM 神經(jīng)網(wǎng)絡由芬蘭學者Kohonen 于20 世紀80 年代提出，全稱是自組織特征映射神經(jīng)網(wǎng)絡，它采取“勝者為王”的競爭學習算法，通過競爭、合作和權(quán)值調(diào)節(jié)來完成無監(jiān)督自學習的過程。［4］

1. SOM 神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)。SOM 神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖1 所示，包括輸入層和輸出層，輸入層各節(jié)點通過權(quán)值與輸出層的神經(jīng)元相互連接，輸入層隨機接受任意維度的輸入模式，然后以拓撲有序的方式變換到輸出層，這個變換叫做特征映射，接著在輸出神經(jīng)元之間完成競爭選擇。

2. SOM 神經(jīng)網(wǎng)絡的學習過程。

①初始化。確定總的學習次數(shù)T，學習速率ɑ(t)，鄰域半徑N (t)，初始權(quán)值Wij(t)，

②對初始權(quán)值和輸入向量進行歸一化處理

③計算傳感器的坐標數(shù)據(jù)與輸出神經(jīng)元的歐式距離:

④找出最小的歐式距離Dij(t)，確定取勝的神經(jīng)元。

⑤對連接權(quán)值進行調(diào)整:wij(t+1)=wij+ɑ(t)(xi－wij(t))

⑥更新學習速率ɑ (t)和鄰域N(t):ɑ(t)=ɑ(1)(1－t/T) N(t)=N(1)(1－t/T)

⑦當t=t+1 時，返回步驟②;當學習速率ɑ(t)下降為0 或?qū)W習次數(shù)達到最大值T 時，學習過程結(jié)束。

(二)數(shù)據(jù)來源及處理

微博平臺在網(wǎng)絡輿情傳播平臺中具有代表性，并且在數(shù)據(jù)獲取的即時性和便捷性上存在明顯優(yōu)勢。由于一般旅游突發(fā)事件的微博數(shù)量太少、可利用性很低，因此本文選用2010－2014 年內(nèi)，引起微博較大反響、博友激烈討論的30 起熱點旅游突發(fā)事件作為研究樣本(見表1)。使用新浪微博的平臺開放接口(openAPI)，自行編寫程序，以旅游突發(fā)事件的關鍵詞，抓取微博數(shù)據(jù)。通過對微博數(shù)據(jù)的預分析，發(fā)現(xiàn)微博集中在旅游突發(fā)事件發(fā)生后的10 天之內(nèi)發(fā)布，10 天之后微博基本不再更新。為了方便對比研究，將有關旅游突發(fā)事件的第一條微博的發(fā)布時間作為起始時間，以3 小時為一個時間段，一天分為8 個時間段:0:01－3:00、

3:01－6:00、6:01－9:00、9:01－12:00、12:01－15:00、15:01－18:00、18:01－21:00、21:01－0:00，10 天共分為80 個時間段，每隔一個時間段記錄一次微博數(shù)量，同時對每個時間段內(nèi)的微博數(shù)量進行累加處理，這樣每個旅游突發(fā)事件下都有80 個數(shù)據(jù)。

序號 旅游突發(fā)事件 序號 旅游突發(fā)事件1華僑城太空迷航塌落 16三亞宰客門2臺灣蘇花公路塌方 17 2013 九寨溝大規(guī)模游客滯留3伊春客機墜毀 18 驢友五峰山失蹤4 江蘇宜興竹海景區(qū)滑道事故 19 廣東羅浮山雷擊事故5麗江導游非禮女游客 20 新疆昌吉旅游大巴翻車6臺灣阿里山小火車翻車 21 埃及南部盧克索熱氣球爆炸7香港女導游毆打內(nèi)地游客 22 臺灣旅游團張家界翻車8中國游客韓國濟州島脫團 23 中國登山驢友巴基斯坦遭槍擊9重慶游客鳳凰古城遭圍毆 24 中國旅游團羅馬遭搶劫、10 海南嬉水節(jié)非禮女性 25 中國游客巴黎遭搶劫11 杭州河坊街牌坊倒塌、 26 2014 麗江古城火災12 華山景區(qū)刀捅游客 27 云南香格里拉四方街火災13 江蘇太湖景區(qū)撞船 28 鳳凰古城被淹14 中國游客馬爾代夫溺水 29 鳳凰古城吊橋坍塌15 女驢友泰山失蹤 30西藏尼木旅游大巴墜崖

二、實證研究結(jié)果與預測

(一)基于SOM 神經(jīng)網(wǎng)絡的旅游突發(fā)事件微博傳播聚類研究

啟用Matlab7.1 的SOM 神經(jīng)網(wǎng)絡工具箱，編程后，對每條80 個元素的30 條數(shù)據(jù)進行聚類，如表2所示?？偣驳玫搅N聚類結(jié)果，每種類型的旅游突發(fā)事件的傳播態(tài)勢都有明顯的特征:第一聚類，旅游突發(fā)事件發(fā)生后2 天內(nèi)，在微博上出現(xiàn)短暫熱議，第2－8 天博文數(shù)量增長趨勢迅速減慢，第9、10 天內(nèi)博文數(shù)量出現(xiàn)新的小階梯狀增長;第二聚類，博文數(shù)量的增長態(tài)勢近乎直線，但是增長速度還是隨著時間逐漸降低，在旅游突發(fā)事件的整個傳播期內(nèi)，博文數(shù)量呈現(xiàn)持續(xù)增長的態(tài)勢;第三聚類，旅游突發(fā)事件發(fā)生后的第1－4 天內(nèi)博文數(shù)量迅速爆發(fā)，4天后相關博文增長速度逐漸趨于零;第四聚類，在旅游突發(fā)事件發(fā)生后的傳播期內(nèi)，事件一直受到博友的廣泛關注，在傳播期前2 天內(nèi)經(jīng)過熱議之后，博文的增長速度明顯減慢，但是依然保持持續(xù)增長的狀態(tài);第五聚類，與第三聚類類似，只是博友熱議期縮短到2 天，2 天后相關博文的增長速度逐漸趨于零;第六聚類，博文的傳播態(tài)勢呈現(xiàn)弧型，在傳播期的前2 天內(nèi)，增長速度比較大，博文數(shù)量快速爆發(fā)，第3－4 天增長速度逐漸減慢，第8－10 天博文基本停止增長。

類別 旅游突發(fā)事件 曲 線 特征第一聚類 麗江古城火災、中國游客韓國濟州島脫團微博發(fā)布的第一高峰期處于前10 個時間段(事件發(fā)生后30 個小時，第1－2 天)內(nèi)，中期(第2－8 天)微博發(fā)布行為突然減少，后期20 個時間段(第8－10 天)進入微博發(fā)布的第二高峰期第二聚類 中國游客巴黎遭搶劫、臺灣蘇花公路塌方、三亞宰客門、中國登山驢友巴基斯坦遭槍擊微博發(fā)布數(shù)量在事件發(fā)生后的10 天內(nèi)均勻增加，無明顯高峰期第三聚類 江蘇太湖景區(qū)撞船、女驢友泰山失蹤、華山景區(qū)刀捅游客、埃及南部盧克索熱氣球爆炸第四聚類 中國游客馬爾代夫溺水、華僑城太空迷航塌落、臺灣阿里山小火車翻車、微博發(fā)布的高峰期處于前30 個時間段(第1－4天)，中后期(第5－10 天)微博增加速度突然變得很緩慢，趨近于零微博發(fā)布的高峰期處于前20 個時間段(第1－3天)，中后期(第3－10 天)微博發(fā)布行為突然減少第五聚類第六聚類江蘇宜興竹海景區(qū)滑道事故、新疆昌吉旅游大巴翻車、西藏尼木旅游大巴墜崖、杭州河坊街牌坊倒塌、廣東羅浮山雷擊事故、驢友五峰山失蹤、中國旅游團羅馬遭搶劫、云南香格里拉四方街火災、臺灣旅游團張家界翻車、香港女導游毆打內(nèi)地游客、麗江導游非禮女游客鳳凰古城被淹、海南嬉水節(jié)非禮女性、伊春客機墜毀、九寨溝大規(guī)模游客滯留、重慶游客鳳凰古城遭圍毆、鳳凰古城吊橋坍塌微博發(fā)布的高峰期處于前25 個時間段(第1－2天)，中后期(第3－10 天)微博增加速度突然變得很緩慢，趨近于零微博發(fā)布的高峰期處于前10 個時間段(第1－2天)，中期(第2－6 天)微博發(fā)布行為逐漸減少，后期(第7－10 天)微博幾乎不增長

(二)旅游突發(fā)事件網(wǎng)絡輿情傳播趨勢的預測

由于具有信息傳播的即時性、互動性、快捷性，微博逐漸成為旅游突發(fā)事件網(wǎng)絡輿情的重要載體，政府控制輿情的傳統(tǒng)方法的功能嚴重弱化。旅游突發(fā)事件的發(fā)生涉及社會公眾關注的旅游目的地安全、旅游交通安全、游客權(quán)益保障等熱點問題，不僅會引起微博輿論的爆發(fā)，而且錯誤的信息容易誤導社會公眾，引起恐慌，擾亂國家經(jīng)濟秩序。因此，實時監(jiān)測微博的動態(tài)，并進行有效預測，對于政府部門采取及時、恰當?shù)拇胧┍O(jiān)管微博輿情具有重要的指導意義。

選取第六聚類的旅游突發(fā)事件作為樣本，取6個旅游突發(fā)事件的微博數(shù)據(jù)的平均值，將其作為預測數(shù)據(jù)，采用指數(shù)函數(shù)方法進行擬合并預測。選用80 個數(shù)據(jù)的前70 個數(shù)據(jù)作擬合，得出擬合模型，后10 個數(shù)據(jù)作為預測結(jié)果檢驗數(shù)據(jù)。

指數(shù)函數(shù)的擬合模型是:y =103.9543* exp(－3.7236/ (x +0.53707))，擬合結(jié)果的相關系數(shù)是0.99435，第71 到80 個數(shù)據(jù)的預測曲線與實際曲線幾乎完全吻合，說明模型的預測效果很好。

三、結(jié)論與討論

(一)結(jié)論

1. 遵循“黃金4 小時”輿情應對模式?；诼糜瓮话l(fā)事件在微博平臺中的輿情傳播態(tài)勢分析，容易發(fā)現(xiàn)，博文數(shù)量集中在前2 天內(nèi)爆發(fā)，并且在前4 個小時內(nèi)，微博數(shù)量增長速度非?？?。旅游突發(fā)事件應對模式應該從傳統(tǒng)事件處置的“黃金24小時”縮短到新媒體環(huán)境下的“黃金4 小時”報道事件。需要旅游政府、企業(yè)、景區(qū)等主體聯(lián)合進行輿論應對工作，第一時間識別微博輿情的危機苗頭，即時發(fā)布權(quán)威信息，澄清和駁斥不實信息，引導主流媒體輿論的走向。

2. 即時公開信息，挽回旅游地形象。不實的言論會誘發(fā)網(wǎng)友情緒，擾亂旅游突發(fā)事件的事態(tài)發(fā)展，損害旅游目的地的旅游形象。通過對旅游突發(fā)事件的微博傳播的特征分析發(fā)現(xiàn)，傳播期的前兩天是網(wǎng)絡輿論的爆發(fā)期，也是輿情控制的關鍵時期。旅游目的地政府部門和景區(qū)管理部門應該主動與媒體、博友溝通，第一時間公開透明地發(fā)布旅游突發(fā)事件的真相、調(diào)查結(jié)果、處置過程等信息，讓媒體客觀公正地評價旅游突發(fā)事件，引導網(wǎng)友的輿論傾向。既可以表現(xiàn)旅游目的地對突發(fā)事件的響應能力，又有利于旅游目的地形象的維護。

3. 發(fā)布權(quán)威信息，消除“信息污染”。事件發(fā)生后，在傳播期的前兩天內(nèi)，突發(fā)事件往往處于發(fā)展方向不明確的狀態(tài)中，在博友、媒體各方的廣泛關注下，一個不實消息的傳播都可能激發(fā)各方的情緒，造成輿情危機態(tài)勢的蔓延。旅游目的地景區(qū)、政府部門、旅游局等官方微博應該發(fā)布獨家權(quán)威消息，多角度介紹旅游突發(fā)事件的真相、事態(tài)進展、調(diào)查結(jié)果、善后處理等消息，消滅事件相關消息中有害的、虛假的、誤導的信息元素。

4. 開發(fā)輿情跟蹤系統(tǒng)，建立輿情跟蹤機制。加快高等院校和科研機構(gòu)對輿情監(jiān)測核心技術、信息規(guī)制挖掘技術、信息理解與分類技術的攻克，建立產(chǎn)學研合作平臺，經(jīng)過技術成果轉(zhuǎn)化過程，將成果投入使用。旅游目的地應該建立完善的旅游突發(fā)事件的輿情監(jiān)控機制，在旅游突發(fā)事件剛發(fā)生而網(wǎng)絡輿情尚在潛伏期的時候，提高對輿情的預判能力，實現(xiàn)對事件輿情的動態(tài)變化進行實時跟蹤監(jiān)測，及時采取措施引導網(wǎng)絡輿情和化解矛盾。

(二)討論

旅游突發(fā)事件發(fā)生之后，微博用戶圍繞著突發(fā)事件的自由討論，從眾心理推動著輿論的發(fā)展，產(chǎn)生轟動的效果，在網(wǎng)絡輿情生成過程中起到推波助瀾的作用，為了描述旅游突發(fā)事件的微博傳播態(tài)勢，本文選取了30 個旅游突發(fā)事件，運用新浪微博API 平臺，設計程序抓取微博數(shù)據(jù)，調(diào)用Matlab7.1 的SOM 神經(jīng)網(wǎng)絡工具箱對30 個微博數(shù)據(jù)進行聚類分析，得出六種聚類結(jié)果，并畫出基于時間線的微博傳播態(tài)勢圖，在此基礎上運用指數(shù)函數(shù)方法對微博傳播態(tài)勢進行預測。本文的研究還存在不足之處，未來研究應該進一步對聚類結(jié)果進行建模，更為標準地描述事件的傳播規(guī)律，并選取更多的旅游突發(fā)事件進行態(tài)勢預測，提高預測的精確度，在此基礎上開發(fā)微博輿情管理系統(tǒng)，對微博輿情進行實時監(jiān)控和態(tài)勢預測，以期應用到微博輿情的實際管理工作中。

［1］李明德，張宏邦. 微博輿情:模式、表征與趨勢［J］. 情報雜志，2013，32(7):49.

［2］許海，才婉茹. 突發(fā)事件報道中的“信息污染”與“媒介責任”——對菲律賓人質(zhì)劫持事件報道的思考［J］. 新聞記者，2010(11):29－32.

［3］蹇莉. 突發(fā)事件的媒體應對策略——以汶川大地震為例［J］. 西南民族大學學報(人文社科版)，2008，(9):174－178.

［4］朱光，朱學芳. 基于SOM 的圖書館用戶個性化數(shù)字信息服務需求分類研究［J］. 情報科學，2013，31(2):88－91.