焦威　夏一雪

關(guān)鍵詞： 突發(fā)事件； 網(wǎng)絡(luò)輿情； 信息擴(kuò)散； 差異性度量； 輿情信息擴(kuò)散指數(shù)

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０７．０１０

〔中圖分類號〕Ｇ２０６ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０７－０１０９－１６

互聯(lián)網(wǎng)技術(shù)不斷發(fā)展與普及， 網(wǎng)絡(luò)已成為現(xiàn)實(shí)社會的“鏡像”， 每當(dāng)有突發(fā)事件發(fā)生， 輿情就會在各類網(wǎng)絡(luò)平臺傳播擴(kuò)散， 形成與突發(fā)事件相對應(yīng)的輿情生態(tài)景觀。然而， 由于網(wǎng)絡(luò)平臺用戶的交流溝通和社交關(guān)系不同［１－２］ ， 導(dǎo)致同一網(wǎng)絡(luò)輿情在不同的網(wǎng)絡(luò)平臺擴(kuò)散時存在差異性。因此， 度量輿情信息擴(kuò)散差異性， 研究突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散規(guī)律， 對于因“地” 制宜、因“事” 制宜治理網(wǎng)絡(luò)輿情， 輔助突發(fā)事件應(yīng)急決策具有重要意義。

１相關(guān)研究

目前， 已有大量關(guān)于網(wǎng)絡(luò)輿情信息擴(kuò)散的研究， 以“網(wǎng)絡(luò)輿情” 和“信息擴(kuò)散” 為主題詞對ＣＮＫＩ 中近５ 年的ＣＳＳＣＩ 文獻(xiàn)進(jìn)行檢索， 選擇相關(guān)度最高的３００ 篇期刊文獻(xiàn)使用ＣｉｔｅＳｐａｃｅ 進(jìn)行關(guān)鍵詞共現(xiàn)分析， 如圖１ 所示。從圖中總結(jié)得出， 網(wǎng)絡(luò)輿情信息擴(kuò)散的相關(guān)研究主要涉及微博輿情、突發(fā)事件、短視頻、社交媒體、影響因素、情感分析等主題， 體現(xiàn)出已有研究多在擴(kuò)散載體、事件類型、信息模態(tài)、影響機(jī)制等方面開展。

具體而言， 在擴(kuò)散載體和信息模態(tài)等方面， 聚焦于微博、微信等社交媒體以及短視頻等信息模態(tài)。微博平臺具備開放性， 輿情信息擴(kuò)散可在圈層內(nèi)的所有主體間進(jìn)行［３］ ， 而微信平臺相對封閉， 輿情信息擴(kuò)散主要在好友或群聊中進(jìn)行［４］ ， 呈現(xiàn)圈層化強(qiáng)連接、自組織化與內(nèi)容共享［５］ 的現(xiàn)象， 使得輿情信息圈層傳播更具不可控性［６］ 。短視頻憑借自身多媒體性， 能夠以更豐富的動態(tài)方式擴(kuò)散信息， 逐漸成為信息交流的重要媒介［７－８］ ， 為公眾參與輿情討論、化解輿論矛盾等提供了多元化的選擇［９］ 。例如， 政務(wù)短視頻以短平快的特征快速發(fā)展， 出現(xiàn)了較多針對政務(wù)短視頻輿情信息擴(kuò)散［１０－１３］ 的研究。在事件類型和影響機(jī)制等方面， 諸多研究以傳染病模型作為網(wǎng)絡(luò)輿情信息擴(kuò)散基礎(chǔ)模型， 考慮到用戶群體行為、輿情熱度與嚴(yán)重性等級、事件話題相關(guān)性、網(wǎng)民觀點(diǎn)交互等因素［１４－２０］ 對信息擴(kuò)散的影響， 通過對基礎(chǔ)模型加以改進(jìn)來研究信息擴(kuò)散過程， 或者考慮到輿情信息擴(kuò)散過程受到媒體［２１－２４］ 、政府［２１－２８］ 、平臺［２８－２９］ 等主體干預(yù)或其他輿情信息［２２，２７，３０］ 影響，借助模擬仿真的方法研究信息擴(kuò)散過程。更進(jìn)一步而言， 在信息擴(kuò)散差異性研究方面， 姜景等［３１］ 從發(fā)文數(shù)量與頻率、文本分析等方面研究突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散情況， 比較政務(wù)微博和政務(wù)抖音兩平臺信息擴(kuò)散的異同。陳淑琴等［３２］ 把握網(wǎng)絡(luò)輿情信息擴(kuò)散具備的多網(wǎng)絡(luò)平臺相連通的多層網(wǎng)絡(luò)傳播特點(diǎn)， 基于ＳＩＲ 模型構(gòu)建“兩微一端” 跨平臺輿情擴(kuò)散模型。楊磊等［３３］ 以ＳＥＩＲ 模型為基礎(chǔ)， 研究輿情信息在考慮用戶自身因素、外部好友環(huán)境和外部平臺環(huán)境對用戶狀態(tài)轉(zhuǎn)變概率影響的條件下， 研究跨平臺輿情信息擴(kuò)散情況。已有研究注意到信息擴(kuò)散的差異性， 并研究了跨平臺的信息擴(kuò)散過程，但仍需進(jìn)一步探索如何精準(zhǔn)地量化不同網(wǎng)絡(luò)平臺或不同突發(fā)事件之間信息擴(kuò)散態(tài)勢存在的差異， 特別是如何以確定的指標(biāo)或參數(shù)來度量信息擴(kuò)散差異。

綜合而言， 已有研究更多關(guān)注了信息擴(kuò)散的影響機(jī)制和差異化傳播過程， 但是對于信息擴(kuò)散差異性的量化問題還有待深入研究， 這是在探索影響機(jī)制和傳播過程問題后， 需要進(jìn)一步深入考慮的科學(xué)問題， 也是將理論研究與實(shí)踐應(yīng)用之間打通后必須解決的問題。解決差異性量化問題， 才能更好地實(shí)時監(jiān)測不同平臺的擴(kuò)散過程， 并輔助因“地” 制宜、因“事” 制宜進(jìn)行輿情治理。因此， 本文考慮到不同平臺或不同事件之間輿情信息擴(kuò)散存在的差異性， 選擇輿情信息量作為研究變量， 結(jié)合輿情信息擴(kuò)散的共性和個性， 采用冪映射改進(jìn)Ｌｏｇｉｓｔｉｃ模型， 構(gòu)建基于冪映射的突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散差異性度量模型， 為網(wǎng)絡(luò)輿情信息擴(kuò)散提供新的研究視角與方法。

２ 信息擴(kuò)散差異性度量模型構(gòu)建

２.１ 模型機(jī)理分析

突發(fā)事件發(fā)生之后， 一般伴隨相應(yīng)的網(wǎng)絡(luò)輿情。由于突發(fā)事件自身各有不同以及各網(wǎng)絡(luò)平臺的用戶群體、規(guī)模及信息推薦規(guī)則等因素存在差異， 導(dǎo)致網(wǎng)絡(luò)輿情信息擴(kuò)散差異性的存在， 即同一突發(fā)事件在不同網(wǎng)絡(luò)平臺的輿情信息擴(kuò)散存在差異， 同一平臺的不同突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散存在差異。如圖２ 所示， 不同事件或同一事件在不同平臺的輿情演化波動情況與到達(dá)飽和的時間等均存在差異。即使網(wǎng)絡(luò)輿情信息擴(kuò)散存在差異性， 但仍遵循其萬變不離其宗的本質(zhì)。也就是說， 網(wǎng)絡(luò)輿情信息擴(kuò)散具有一定的共性， 一般經(jīng)過突發(fā)事件發(fā)生、網(wǎng)民發(fā)布相關(guān)信息并討論、網(wǎng)絡(luò)輿情產(chǎn)生、媒體和意見領(lǐng)袖轉(zhuǎn)發(fā)評論、輿情信息快速擴(kuò)散、突發(fā)事件熱度下降、輿情消退等過程， 整體演化過程呈現(xiàn)“單峰型”特征， 輿情信息量的累計(jì)數(shù)據(jù)呈現(xiàn)“Ｓ” 形， 如圖２所示。

突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散存在差異， 意味著當(dāng)前的輿情信息擴(kuò)散態(tài)勢有所不同， 當(dāng)前網(wǎng)絡(luò)輿情信息擴(kuò)散態(tài)勢可用當(dāng)前輿情信息量與輿情信息量上限之間的比值表示。為了更精準(zhǔn)地描述突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散過程， 確定有效的指標(biāo)或參數(shù)來度量信息擴(kuò)散差異， 需要求同存異， 從共性中把握個性。借鑒數(shù)學(xué)中的“映射” 思想， 在共性和個性之間構(gòu)建映射關(guān)系?？稍谳浨樾畔U(kuò)散共性得到的輿情信息擴(kuò)散態(tài)勢與輿情信息擴(kuò)散個性得到的輿情信息擴(kuò)散態(tài)勢之間建立映射關(guān)系， 如圖３所示。

３ 模型仿真

３.１ 參數(shù)假設(shè)與仿真設(shè)計(jì)

為更好地了解模型特性， 本文通過數(shù)值仿真研究信息擴(kuò)散的差異性， 將輿情信息量上限Ｋ 和初值ｘ_０及輿情信息擴(kuò)散增長率ｒ 設(shè)為定值， 輿情信息擴(kuò)散指數(shù)θ 作為變量， 研究其變化對輿情信息擴(kuò)散的影響。令Ｋ ＝１０００、ｘ_０＝０.０１Ｋ、ｒ＝０.５、θ 取值范圍為０. ５～１.５ 進(jìn)行固定參數(shù)仿真。同時， 考慮到現(xiàn)實(shí)世界的輿情引導(dǎo)或其他變化因素對信息擴(kuò)散過程存在影響， 將θ 的初始值設(shè)置為１， 在潛伏期和爆發(fā)期加入針對θ 的變參數(shù)仿真（θ 取值范圍設(shè)置為０.５～１.５）。通過與θ ＝１ 的仿真結(jié)果進(jìn)行對比， 研究θ＜１和θ＞１ 不同情況下的輿情信息擴(kuò)散規(guī)律。

３.２ 數(shù)據(jù)仿真

固定參數(shù)仿真對應(yīng)于現(xiàn)實(shí)中突發(fā)事件網(wǎng)絡(luò)輿情的影響程度相同， 輿情信息擴(kuò)散能力不同， 以此研究輿情信息擴(kuò)散指數(shù)θ 對網(wǎng)絡(luò)輿情信息擴(kuò)散的影響。根據(jù)設(shè)定仿真數(shù)值， 繪制模型仿真圖， 如圖６所示， 計(jì)算輿情信息傳播各階段的持續(xù)時間和輿情信息量及其占比， 如表２、圖６ 所示。

變參數(shù)仿真對應(yīng)于現(xiàn)實(shí)中輿情信息擴(kuò)散過程中受到輿情引導(dǎo)或其他變化的影響， 致使輿情信息擴(kuò)散指數(shù)θ 由某一定值變?yōu)榱硪欢ㄖ档那闆r。根據(jù)設(shè)定仿真數(shù)值， 繪制模型仿真圖， 如圖７ 所示。

３.３仿真結(jié)論

在Ｋ、ｘ_０、ｒ 為定值的情況下， 輿情信息擴(kuò)散指數(shù)θ 對描述輿情信息擴(kuò)散過程的“Ｓ” 形曲線呈橫向拉伸或壓縮的作用。隨著θ 增加， 信息擴(kuò)散的拐點(diǎn)出現(xiàn)時間越早， 輿情信息擴(kuò)散越快， 整體演化過程逐漸縮短， 爆發(fā)期持續(xù)時間越來越短， 潛伏期持續(xù)時間相對加長， 潛伏期輿情信息量占比也升高，爆發(fā)期和消退期輿情信息量占比降低。輿情信息擴(kuò)散指數(shù)θ 對輿情信息擴(kuò)散的各階段持續(xù)時間和信息量均存在影響， 即影響不僅體現(xiàn)在時間維度， 還體現(xiàn)在輿情信息量維度。簡單來說， θ＜１ 時， 輿情信息擴(kuò)散速度減緩， 拐點(diǎn)推遲到達(dá)， 同時潛伏期和爆發(fā)期持續(xù)時間延長， 但是潛伏期信息量占比減少，爆發(fā)期和消退期信息量占比增多； θ＞１， 輿情信息擴(kuò)散速度加快， 拐點(diǎn)提前到達(dá)， 潛伏期持續(xù)時間延長， 爆發(fā)期持續(xù)時間縮短， 潛伏期信息量占比增多， 爆發(fā)期和消退期信息量占比減少。變參數(shù)仿真中， 輿情信息擴(kuò)散指數(shù)θ 對輿情信息擴(kuò)散過程的影響整體規(guī)律一致， 即θ＜１時， 輿情信息擴(kuò)散速度減緩； θ＞１ 時， 輿情信息擴(kuò)散速度加快。同時可以得出， 輿情引導(dǎo)或其他變化介入時間越早， 對整個信息擴(kuò)散過程影響越大， 但同樣對最終輿情信息擴(kuò)散趨勢沒有影響。以上結(jié)論對于不同擴(kuò)散指數(shù)θ 的情況下， 如何根據(jù)θ 來確定輿情治理策略具有指導(dǎo)意義。

４實(shí)證研究

４.１實(shí)證設(shè)計(jì)根據(jù)文中對輿情信息擴(kuò)散指數(shù)的定義， 其大小與輿情信息傳播所在的網(wǎng)絡(luò)平臺和突發(fā)事件網(wǎng)絡(luò)輿情的影響程度有關(guān)。因此， 從不同網(wǎng)絡(luò)平臺和不同突發(fā)事件兩個角度對所提出模型進(jìn)行案例實(shí)證， 并隨機(jī)選取部分案例進(jìn)行信息擴(kuò)散預(yù)測研究。本節(jié)選取突發(fā)事件網(wǎng)絡(luò)輿情作為研究案例， 為避免突發(fā)事件類型對結(jié)果的影響， 僅選擇自然災(zāi)害類突發(fā)事件中的臺風(fēng)作為研究案例， 使用輿情監(jiān)測應(yīng)用獲取各案例的輿情信息量作為研究對象， 實(shí)證設(shè)計(jì)如圖８所示。

４.２數(shù)據(jù)來源

使用微博輿情和百度指數(shù)獲取“臺風(fēng)暹芭”“臺風(fēng)泰利” “臺風(fēng)杜蘇芮（２０２３）” ３ 個自然災(zāi)害類突發(fā)事件在各平臺的輿情信息量， 使用百度指數(shù)平臺獲取２０１７—２０２２ 年４０ 個臺風(fēng)的搜索指數(shù)作為輿情信息量， 隨機(jī)選取其中的２０ 個案例用于驗(yàn)證模型的合理性與有效性， ２０ 個案例用于信息擴(kuò)散預(yù)測研究。輿情信息量整體演化趨勢基本一致， 輿情信息量統(tǒng)計(jì)數(shù)據(jù)隨時間呈現(xiàn)出平緩增長、突然爆發(fā)、再趨平緩的增長規(guī)律， 呈現(xiàn)出“單峰型” 特征， 如圖９～圖１１ 所示， 輿情信息量累計(jì)數(shù)據(jù)呈現(xiàn)“Ｓ” 形特征， 如圖１２～圖１４ 所示。

４.３數(shù)據(jù)實(shí)證

４.３.１多平臺單事件信息擴(kuò)散實(shí)證

對３ 個案例數(shù)據(jù)在各網(wǎng)絡(luò)平臺的輿情信息量統(tǒng)計(jì)數(shù)據(jù)進(jìn)行累加處理得到輿情信息量累計(jì)數(shù)據(jù)， 使用輿情數(shù)據(jù)擬合得出各網(wǎng)絡(luò)平臺數(shù)據(jù)相對應(yīng)的模型參數(shù)， 計(jì)算模型擬合對應(yīng)的Ｒ^２值， 如表３ 所示， 并繪制真實(shí)值與模型擬合值的圖像， 如圖１２ 所示。

由實(shí)證案例結(jié)果可知， ３ 個案例對模型擬合的Ｒ^２值均高于０.９８， 能夠驗(yàn)證模型的有效性。同時，即使突發(fā)事件不同， 但各平臺的信息擴(kuò)散指數(shù)存在規(guī)律， 即頭條號的信息擴(kuò)散指數(shù)最大， 微博信息擴(kuò)散指數(shù)最小， 百度指數(shù)介于二者之間。頭條號屬于聚合分發(fā)型資訊平臺， 依托于數(shù)據(jù)挖掘算法和智能推薦引擎， 能夠?qū)碜云渌浇榈男侣勔渤尸F(xiàn)給大多數(shù)用戶［５２］ 。微博屬于資訊社區(qū)平臺， 信息擴(kuò)散相對依賴粉絲基數(shù)、輿情信息受眾更多的輿情信息擴(kuò)散者的粉絲群體。而百度指數(shù)是以百度海量網(wǎng)民行為數(shù)據(jù)為基礎(chǔ)的數(shù)據(jù)分享平臺， 數(shù)據(jù)能夠反映關(guān)鍵詞搜索趨勢， 是網(wǎng)民在知曉輿情信息后對其主動了解分享的行為。頭條號更有力地將輿情信息擴(kuò)散至更大范圍的網(wǎng)民群體， 微博平臺的輿情信息擴(kuò)散范圍相對較小， 百度指數(shù)的輿情信息擴(kuò)散范圍介于二者之間。基于以上因素， 頭條號的信息擴(kuò)散指數(shù)最大， 微博信息擴(kuò)散指數(shù)最小， 百度指數(shù)信息擴(kuò)散指數(shù)介于二者之間。

基于實(shí)證結(jié)果， 頭條號的信息擴(kuò)散指數(shù)最大， 在輿情信息治理時應(yīng)該著重關(guān)注， 制定相關(guān)政策， 將有效信息更好地傳播至盡可能多的網(wǎng)民手中； 百度指數(shù)平臺應(yīng)該及時更新真實(shí)信息， 保證網(wǎng)民搜索到信息的真實(shí)性； 微博平臺應(yīng)該注重對粉絲基數(shù)較大的賬號主體的規(guī)范， 同時注意其他用戶的行為。

４.３.２單平臺多事件信息擴(kuò)散實(shí)證

對２０個臺風(fēng)案例對應(yīng)的搜索指數(shù)進(jìn)行累加處理得到輿情信息累計(jì)數(shù)據(jù)， 使用模型參數(shù)確定方法求解模型參數(shù)， 并計(jì)算模型擬合對應(yīng)的Ｒ^２值， 如表４所示， 并繪制真實(shí)值與模型擬合值的圖像， 如圖１３所示。

模型對各案例擬合結(jié)果對應(yīng)的可決系數(shù)Ｒ２ 值均高于０.９５， 且均能通過顯著性檢驗(yàn)， 能夠驗(yàn)證模型的有效性。通過對百度指數(shù)獲取的２０ 個突發(fā)事件輿情案例對應(yīng)的搜索指數(shù)進(jìn)行模型參數(shù)擬合， 可以看出輿情信息擴(kuò)散符合突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散差異性度量模型， 輿情信息擴(kuò)散受到輿情信息指數(shù)θ 的影響。與模型仿真得到的結(jié)論相同， 其中， 若θ＜１， 輿情信息擴(kuò)散速度減緩， 拐點(diǎn)推遲到達(dá)， 同時潛伏期和爆發(fā)期持續(xù)時間延長， 但是潛伏期信息量占比減少， 爆發(fā)期和消退期信息量占比增多； 若θ＞１， 輿情信息擴(kuò)散速度加快， 拐點(diǎn)提前到達(dá)， 潛伏期持續(xù)時間延長， 爆發(fā)期持續(xù)時間縮短， 潛伏期信息量占比增多， 爆發(fā)期和消退期信息量占比減少。

基于實(shí)證結(jié)果， 當(dāng)輿情信息擴(kuò)散指數(shù)大于１ 時，輿情信息擴(kuò)散速度加快， 此時應(yīng)當(dāng)加強(qiáng)對此輿情信息的動態(tài)監(jiān)測， 關(guān)注輿情信息擴(kuò)散態(tài)勢， 及時制定相應(yīng)的策略， 避免輿情可能帶來的負(fù)面影響。

通過以上案例驗(yàn)證了模型的合理性與有效性，現(xiàn)使用其他２０ 個百度指數(shù)平臺臺風(fēng)案例對本文模型進(jìn)行信息擴(kuò)散預(yù)測研究。其中， 各案例對應(yīng)的時間序列長度均為３０， 使用前１５ 個數(shù)據(jù)作為已知數(shù)據(jù)確定模型參數(shù)， 對剩余數(shù)據(jù)開展預(yù)測， 研究模型的預(yù)測能力。

對２０個臺風(fēng)案例對應(yīng)的搜索指數(shù)進(jìn)行累加處理得到輿情信息累計(jì)數(shù)據(jù)， 使用模型參數(shù)確定方法求解模型參數(shù)， 并計(jì)算模型擬合對應(yīng)的Ｒ^２值， 如表５所示， 并繪制真實(shí)值與模型擬合值的圖像， 如圖１４所示。

模型預(yù)測信息擴(kuò)散對應(yīng)的可見系數(shù)Ｒ２ 值均高于０.９５， 且均能通過顯著性檢驗(yàn)， 能夠驗(yàn)證模型對突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散具有一定的預(yù)測能力。

５總結(jié)

本文對輿情信息擴(kuò)散機(jī)理進(jìn)行分析， 充分考慮信息擴(kuò)散的一般規(guī)律及不同突發(fā)事件或網(wǎng)絡(luò)平臺的個性差異， 提出輿情信息擴(kuò)散指數(shù)的概念， 以此度量信息擴(kuò)散差異性。基于此， 構(gòu)建了一種基于冪映射的突發(fā)事件網(wǎng)絡(luò)輿情信息擴(kuò)散差異性度量模型。數(shù)值仿真表明， 輿情信息擴(kuò)散的整體規(guī)律一致， 但由于輿情信息擴(kuò)散指數(shù)不同， 信息擴(kuò)散速度有所差別。通過多個真實(shí)案例數(shù)據(jù)進(jìn)行實(shí)證和預(yù)測研究，說明該模型用于衡量和預(yù)測輿情信息擴(kuò)散的有效性，證實(shí)了信息擴(kuò)散差異性的存在， 驗(yàn)證了該模型對于度量信息擴(kuò)散差異性的有效性。

本研究更全面地探究了不同突發(fā)事件或網(wǎng)絡(luò)平臺上的輿情信息擴(kuò)散規(guī)律， 為精準(zhǔn)預(yù)測和治理突發(fā)事件網(wǎng)絡(luò)輿情提供理論基礎(chǔ)。但仍存在不足之處，在未來研究中可從以下方面入手： 只考慮各突發(fā)事件或各平臺信息擴(kuò)散的差異性， 未考慮各突發(fā)事件或各平臺之間的信息交互現(xiàn)象； 當(dāng)前僅研究常態(tài)下信息擴(kuò)散規(guī)律， 對存在如網(wǎng)絡(luò)推手推動等非常態(tài)下的信息擴(kuò)散現(xiàn)象未做研究。