突发公共事件中微博传播特征的实证分析──以新浪微博温州“7·23”动车事故为例

雷 挺，何 跃

(四川大学商学院，四川 成都 610064)

一、引 言

据中国互联网信息中心发布的《第31次中国互联网发展状况报告》显示，截至2012年12月底，微博用户数量爆发增长，已迅速增加至3.09亿，成为增长最快的互联网应用［1］。微博作为一种新兴的即时信息传播平台，具有发布信息及时便捷，传播速度快，使用门槛低等特点。140字内简洁的信息传播逐渐成为网民发布消息和发表言论的重要方式［1］。这使得微博的信息传播在具有突发性、破坏性和复杂性的突发事件、灾难事件等危机应对中的作用和影响越来越突出，甚至可能产生巨大的网络舆情并影响到事态的发展。因此探究突发公共事件中微博的传播特征对于政府部门的事件处理、危机应对、舆情引导有着重要的研究价值和现实意义。

微博作为一种新的网络媒体交流工具，以其独特的传播机制和重大的影响力吸引了人们的关注。同时微博也逐渐成为学者研究的热点。国内的研究中，吴文苑结合2010年“宜黄强拆事件”说明了微博的使用和信息广泛传播对网络舆情的形成和发展产生了重要影响［2］;朱爱菊以“新浪微博”为对象，研究微博使用中人们的信息组织和信息获取机制，揭示了微博用户以人为节点，以关注和评论等互动方式为媒介，以浏览为主要阅读模式的获取特点［3］;陈红玉从突发事件微博用户以信息发布、分享角色积极参与的强行动和组织能力入手，分析了微博的零时间传递性，创新式的信息生产方式和网络传播机制，指出微博具有一种集体无意识的社会责任［4］。与国内大多定性的研究相比，国外则更多地倾向于与实证分析结合，Amanda和 Leysia Palen通过Twitter微博信息，统计分析了微博在美国民主党、共和党全国大会，Gustav，Ike飓风四个连续事件中的使用情况，比较用户行动的异同，指出网民通常使用微博分享紧急信息参与应对突发事件［5］。Kate Starbird等人利用爬虫软件获取“美国红河洪灾事件”的Twitter微博数据，并对微博内容和用户等信息进行分析，提出与主流媒体报道相比，突发事件中微博的自组织信息传播更有利于危机应对［6］。上述研究更多地进行了定性分析，缺乏客观定量的讨论，且未对微博传播的数量变化等方面进行探讨，同时对突发事件中用户行为研究有待进一步深入。

2011年7月23日20时，两列动车在温州甬温线发生追尾，并造成40人死亡、多人受伤的特大交通事故。本文采集和统计事故在新浪微博中的相关数据，利用GMDH模型、内容分析法、Apriori模型分别对微博总数的增长特点、不同类型博文的变化特征和用户行为特征及关键用户等内容进行分析。

二、研究设计

(一)数据来源

首先利用新浪微博网站的高级搜索功能，统计温州动车事故后30天的相关微博数量，用于微博总数的变化分析。由于微博总数巨大，很难同时对大量微博进行分析，所以按照微博的总数分布，采用分层抽样方法，通过手工获取的方式分别随机抽取了事故发生后8天内(从7月23日到7月30日)每天微博总数约0.25%的样本，得到共计3 468条微博抽样数据，抽取的每条微博的相关信息为：微博内容、微博用户、微博发布时间、微博发布途径、转发数、评论数等。

(二)微博内容分析法

1952年美国学者贝雷尔森定义内容分析法为“一种对于传播内容进行客观、系统和定量描述的研究方法”，并证明了内容分析法运用于大众传播媒介的传播方法和效果等研究中的切实可行性［7］。内容分析法作为传播学研究的一种基本方法，不仅适合传统三大媒体的研究，也适合于网络媒体的特征研究。目前内容分析法被普遍用于媒体传播研究，其中又以国外学者应用居多，国内学者对它的应用相对欠缺。

突发事件具有突发紧急性、强破坏性和复杂性，使得网民报道事故信息、发表评论意见、表达夙愿等微博信息形式各异，内容参差不齐。为从总体上分析微博内容的变化情况和以此反映网民对事故处理的态度变化，本文在已有微博内容分类方法［8］的基础上进行改进，将微博的博文内容划分为消息相关类、观点相关类、情感相关类、动作相关类、工具与技术相关类和其他这六种，其具体划分标准和含义如下：

(1)消息相关类博文。突发事件中事故信息的及时和有效传播对危机应对起着关键作用。事故发生后，很多网民和新闻机构通过微博报道事故具体情况，使其广泛传播并引起更多人的关注。在信息分享的同时，很多网民通过微博寻求他们想要了解的信息，例如事故的伤亡情况、事故的调查进展等。此外，微博提供了很好的信息聚集和整合平台，网友将从其他渠道收集的多方信息进行集中整合，然后传播给他人。本文将事故中消息发布、信息搜寻、信息聚集整合的相关微博划为此类。

(2)观点相关类博文。微博是网民表达心声的重要途径。事故发生后，很多微博用户表达了自己的观点和看法，例如批评因管理不善导致事故的发生，评论政府机构的危机应对方法不力和低效率，提出伤亡人员的赔付建议等。网友们利用微博交流各自的观点和征求他人的意见，以了解大众对事件的看法和态度。本文将与观点评论相关的微博划为此类。

(3)情感相关类博文。突发事件会产生大众对情感支持的需要，大量网民通过微博为遇难者默哀，鼓励帮助受伤人员，为他们提供强大的精神支持。例如大家对事件中失去父母的小女孩“伊伊”的同情和勉励。同时，可以看到大量网民表达了对事件发生后政府对事故处理不当、掩盖真相等行为的怀疑和不满，对国人团结一致的事故救援行动的赞扬和自豪等。

(4)动作相关类博文。事件发生后部分微博用户提出将进入现场提供帮助，公共机构倡导网民转发伤难人员信息，意见领袖号召网民转发献血信息等，本文把与实际行动相关的微博归为此类。

(5)工具与技术相关类博文。事件应对过程中，与所采用的传播工具与技术相关的微博。例如，网友抱怨网速太慢难以及时传递消息，因缺乏手机和相机等工具而未“实时报道”，赞扬微博在事故中作为一种沟通工具表现出的巨大作用等。

(6)其他。除了上述五种类型外的其他微博。

论文采用两人组的方式对抽样微博内容进行编码，首先，培训编码人员直到两者编码结果达到一定信度，然后再分别进行编码分类。培训后，经过两人对同100条微博的分类实验结果对比分析，得出两个编码员微博划分信度的kappa值为：k=(PA-PC)/(1-PC)=0.67，其中 PA=0.9表示观察到分类结果一致的比例，PC=0.7表示两者期望分类一致的比例。k=0.67位于区间0.61＜k＜0.8，表示分类结果信度较高，可进行后续微博内容分类编码。

(三)GMDH自回归模型

数据分组处理方法GMDH(Group Method of Data Handling)是由乌克兰控制论学家A.G.Ivakhnenko在1967年首次提出的，现在已发展成为一种实用而有效的数据挖掘工具。GMDH算法是以“遗传—变异—选择—进化”的进化论原理为基础，通过各种简单的初始输入(局部模型)的交叉组合产生第一代中间候选模型，再从第一代候选模型中选出最优若干项组合而产生第二代中间候选模型，重复这样的进化过程，使得中间候选模型的复杂度不断增加，直到得到一个最优复杂度模型［9］。

与一般的回归模型相比，GMDH自回归模型能使用外准则进行中间候选模型的选择，这样可以提高数据的拟合精度和预测能力。通过和其他多种模型实证对比分析，学者发现针对小样本的数据进行GMDH自回归拟合和预测的效果更好［10］。所以本文运用该模型对事故发生后30天的微博总数进行拟合分析和变化描述。

(四)Apriori算法

Apriori算法是1993年 RakeshAgrawal等人提出的一种较有影响的挖掘布尔关联规则频繁项集的算法。该算法的主要思想是在事务数据库中找出满足最小支持度的所有频繁1-项集L1，然后再扫描事务数据库一次，寻找其中强关联规则得到频繁2-项集L2。循环以上逐层搜索迭代的算法，直到不能找到频繁k-项集Lk为止。最后得到所有具有关联规则的频繁集，从中找到期望的规则。

三、实证研究

(一)微博传播数量分析

1.单日微博数统计

通过新浪微博搜索功能统计得出7月23日至8月21日30天单日的微博数，其分布情况如图1所示。

图1 新浪微博动车事故微博数变化图

从对单日微博数的统计可以看到，7月23日事发当天微博数即快速增至79 106条，在第二天和第三天又实现爆发式增长，分别达到502 030条和534 401条。而后，从7月26开始，每天的微博数逐渐减少，29日降至156 303条，并在30日低于10万条。随着时间的推移，单日微博数一直呈下降趋势，8月5日为12 927条，6日起开始低于1万条，并最终在8月15日后保持在5 000条以下的状态。

2.结合GMDH模型的微博总数分析

首先，逐一对每天微博数进行累加，得到微博总数的时间序列，然后利用GMDH自回归模型对7月23日至8月19日共28个微博数据进行拟合。将8月20日和21日两天的数据用于模型检验。

利用 Knowledge Miner软件建立 GMDH模型，经过多次尝试和检验后，筛选出其中拟合效果最好的最优复杂度模型：

模型中，判定系数 R-squared的值为0.9978，十分接近于1;平均绝对百分比误差(MAPE)为0.38%，小于5%的可接受水平，误差较小;预测误差平方和(PESS)为0.0023，预测误差较小。在此基础上预测得第29天和第30天微博数量为253.42万条、253.173万条，与实际数据的相对误差分别是0.4%和0.6%，误差很小，拟合较好。

利用拟合模型(1)整理得到微博总数的函数F(t)，其中t表示事故发生后的第t天，计量单位为万条，见式(2)。为讨论微博总数的变化，文中引入f(t)为微博总数的变化率函数，所以可由式(2)计算得变化率式(3)。

微博总数的实际值、GMDH预测值和变化率随时间的变化情况，如图2所示。

图2 微博总数的实际值、预测值和变化率

通过函数式和图2可以看出，温州“7·23”动车事故在新浪微博中的传播数量大体上呈底数为0.7281的指数增长。事件发生后，在7月23到25日出现爆发式增长，其平均增长变化率［f(1)+f(2)+f(3)］/3可达到约38万条/天，这为事件在微博中的病毒式传播打下了基础。而后，24日微博总数变化函数的二阶倒数F(2)″=f(2)＇=0，成为微博增长的拐点，是由快速增长到缓慢增长的转折点，其增长速度f(2)=62万条/天达到最大。随后25日的发博数量为53万条，达到单日微博最高值。之后单日发博数减小，微博总数增长开始逐渐减缓，并在8月15日左右趋于停止，增长变化率f(24)接近于0。在这个过程中，微博传播总体特征表现为开始井喷式的传播，随时间推移增长开始减缓变慢，最后逐渐趋于停滞和稳定。

事发4分钟后，动车乘客便发出了第一条微博消息。通过网友的关注和转发，动车事故的消息迅速在网上扩散，并在拥有众多粉丝的名人和意见领袖帮助下，消息通过微博的“收听式”传播机制进一步传递开来，最终让更多的网民了解和关注事态的发展。事件发生之初微博的快速传播，是因为事故的严重性和事故产生的巨大影响。此外新浪微博很快对事故处理开通了微博专题，为网友提供参与讨论的平台，这也是吸引更多用户关注的重要原因。与此同时，外界针对此次事件的活动也会对微博数量的变化产生重要的影响。例如24日微博数增长的拐点和25日单日博文数峰值的出现是受7月24日铁道部召开的新闻发布会的影响，以及29日微博数量小范围的波动受到28日温总理察看事故现场等因素的影响。最后微博数增长于8月15日趋于停止，则主要由于动车事件事态的明了和大众视线的转移，事件关注度降低，该话题逐渐退出微博。

(二)微博传播内容分析

根据以上微博数据统计结果，可知事故发生后前8天微博数之和占统计总数的88.9%，所以论文按照分层抽样的方法确定前8天每天抽取的样本数，具体如表1所示。由于微博存在同一条博文内容可能满足几种标准的情况，所以划分不具有强相斥性，按照上述分析法将3 468条微博内容归为消息相关、观点相关、情感相关、动作相关、工具与技术相关和其他这六种类别中的一类或多类，其总体分类结果如表2所示。然后对每天的微博内容分类并汇集得到总体的变化情况，如表3所示。

表1 分层抽取每天的微博样本数

表2 微博内容总体分类结果

表3 每天微博内容的具体分类结果

图3 各类博文所占比例及其变化情况

从表2可以看出，信息相关类微博所占比例最大为45.8%，其次是观点和情感类微博，分别是27.3%和25.3%，而其他类型的比例都在10%以下。这说明温州动车事件中网民发布微博的主要目的是为了报道事故消息、发表意见评论和表达自己的情感，而号召大家采取实际行动的较少。在明确突发事件中微博的主要用途后，结合表3和图3微博的具体分类结果，我们分析发现：

1)在事故发生后，信息相关类微博占总数的比例是最大的，但随着时间变化其所占比例逐渐减小，这表明微博的消息传播功能在事故发生后迅速得到体现并达到极致，后伴随着事件的缓和开始逐渐减弱。

2)网民的观点评论和情感表达在事件开始时较为微弱，但由于对事件的全面了解和深入认识后，网民参与热情不断提高，迫切希望表达心声，观点情感类微博不断增多，并且外界活动会对这类微博产生重要的影响，使各类微博比例发生大的波动，例如因不满政府在救援中掩埋动车的行为和铁道部新闻发布会中的敷衍搪塞，使得网民“情感化”达到最高，且其中不乏大量偏激和煽动性的言论。这种趋势在30日后趋于平稳。

3)动作类和工具技术类微博，如号召网民献血，转发寻人消息，为一线网友提供工具用于信息报道等，开始时相对比例较大，但总体上呈减少的趋势。与之相反，“其他”类微博在整个过程中比例逐渐增加，表明大家对事件的关注度在减弱，更多的网友开始转向关注和发布其他内容的微博信息。

(三)微博用户行为特征分析

本文采集的3 468条微博信息来自于961位不同的用户。根据微博用户基本信息和历史微博记录，本文将用户分为普通网民、微博名人、新闻媒体、公共服务机构四大类。其中普通网民指一般微博用户，粉丝较少且影响力不大。微博名人指有较多关注群体可产生一定影响的名人名家或意见领袖。新闻媒体指通过微博发布新闻的媒体用户。公共服务机构指慈善组织、消防部门、公安机关以及政府部门等公共服务机构的微博用户。通过归类得到不同类型用户的比例情况，如表4所示。

表4 微博用户分类

随着网络通信技术的发展和微博应用的普及，网民发布微博的途径也不尽相同。本文将温州动车事件中的微博发布方式分为3类：电脑微博、手机微博终端、其他网站微博接口。统计得出3种方式的使用比例分别为：69.8%、21.2%和9%。可以看出，手机等移动终端已逐渐成为用户发布微博的重要工具，在突发事件中扮演者重要的角色，甚至在实际使用中可能成为博民发布信息的首选工具。

然后，笔者利用Clementine软件的Apriori模型，对微博内容类型、微博用户类型，转发、评论、微博发布途径是否包含链接、图片、视频等属性进行支持度为8%、置信度为75%的关联规则分析。分析结果表明：

1)新闻媒体发布微博时，有89.1%以上的可能性属于信息相关类型，其支持度为8.9%。

2)用户通过其他网站的微博接口发布包含URL链接的微博时，有82.6%以上的可能性属于信息相关类型，其支持度为9.6%。

3)微博普通用户在查看到包含图片的信息类微博时，有79.4%以上的可能性转发这条微博，其支持度为19.8%。

4)微博普通用户发布的情绪相关类微博，有80%以上的可能性通过使用电脑新浪微博发布，其支持度为21.3%。

5)微博用户通过手机终端对其他微博进行评论时，其中有78.4%以上的可能性包含有具体的说明图片，其支持度为9.3%。

6)当微博用户发布包含视频的微博时，有85.8%以上的可能性添加URL链接以扩充微博内容，其支持度为10.2%。

以上分析微博用户在动车突发事件中的一般行为特征，通过发掘和掌握用户的这些行为特征，可以大体了解用户动向和微博传播的趋势，以利于网络管理部门有针对性地对微博传播进行监管和对网民舆论进行引导。

(四)重要微博和核心用户分析

在所有的微博中，少量的微博通过网友多次转发和评论，在网络传播中产生了重要的影响，也在一定程度上成为扩散的信息源。本文以转发数或者评论数大于等于100为划分标准，统计满足条件的微博信息得到277条微博，占总样本数的6.5%。其转发数和评论数在0.01显著性水平下的Pearson相关系数为0.9，转发数和评论数的相关性较强。其中转发数最大可达935 387，评论数最大可达206 289。277条微博的平均转发次数为32 836，平均评论次数为5 173。其中属于信息相关类和观点相关类微博的比例最多，分别为65.0%和18.6%。而发布这些具有较大影响微博的用户中，有43%是微博名人或意见领袖，有31%是新闻媒体。

由此可以看出，突发事件中人们更倾向于转发和评论具有一定价值的消息类微博，而这些微博主要由微博名人、意见领袖和新闻媒体所发。这类用户因具有粉丝人数多和影响力大的特点，使其自然成为突发事件中网民关注的焦点。所以，加强监管和挖掘具有一定影响力的用户和微博信息对于舆论引导具有重要的作用和意义。

四、结论和建议

本文利用温州“7.23”动车事故的微博数据，结合GMDH模型分析得到突发事件中微博传播总数的指数增长特点，通过对事故中微博内容和Apriori关联分析，表明随着时间推移，信息相关类微博的比重递减，观点和情感类微博的比重增加，用户使用微博由主要用于传递消息逐渐转为评论观点和表达情感，网民的情绪化逐渐增强，网络舆情隐患增加。结合以上分析结果和网络传播特征，本文提出以下建议，以期促进网络监管部门对微博传播的舆情引导和管理。

1)微博传播具有爆发式增长特点，大范围的扩散一般出现在“井喷拐点”处。政府部门可采取积极疏导行动降低其爆发速度，防止事态过快扩散。

2)微博的评论意见和情感随时间变化逐渐凸显，其中可能受到虚假或不准确信息和恶意煽动性言论的影响。所以，实时分析突发事件中微博内容，了解民众言论走向，建立政府政务微博，及时发布官方信息澄清事实，对引导网民舆论正常发展有着重要的意义。

3)注意对不同类型的微博用户在突发事件中的行为特征的分析，预测用户可能采取的行为，并重点分析其中具有较大影响力的用户和微博特征，以采取有针对性的微博舆情预警措施。

本文只进行了新浪微博中温州动车事故的实例分析，这可能造成研究结果存在一定片面性。在以后工作中可以结合多个突发事件分析，以进一步对微博传播进行深入的研究。

［1］CNNIC.第31次中国互联网络发展状况统计报告［D］.北京：中国互联网信息中心，2013.

［2］吴文苑.微博传播对网络舆论的影响——以宜黄强拆事件为例［J］.新闻世界，2011，(6)：106-107.

［3］朱爱菊.从对人的关注和浏览中获取信息——新浪微博中的信息组织与信息获取机制分析［J］.情报杂志，2011，(5)：161-164.

［4］陈红玉.由突发事件看微博的传播机制［J］.传媒观察，2010，(8)：45-46.

［5］Hughes Amanda Lee，Palen Leysia.Twitter Adoption and Use in Mass Convergence and Emergency Events［J］.International Journal of Emergency Management，Volume 6，Numbers 3-4，11 February 2010：248-260.

［6］Kate Starbird，Leysia Palen，Amanda L Hughes，Sarah Vieweg.Chatter on the red：what hazards threat reveals about the social life of microblogged information［C］.Proceedings of the 2010 ACM conference on Computer supported cooperative work：241-250.

［7］南宏师，张 浩.网络传播学［M］.北京：国防工业出版社，2008.

［8］Heverin，Thomas，Zach，Lisl.Microblogging for Crisis Communication：Examination of Twitter Use in Response to a 2009 Violent Crisis in Seattle-Tacoma，Washington Area［C］.Proceedings of the 2010 ISCRAM Conference.Washington：1-5.

［9］贺昌政.自组织数据挖掘与经济预测［M］.北京：科学出版社，2005.

［10］何 跃，尹 静.基于GMDH的小样本数据预测模型［J］.统计与决策，2011，(10)：11-13.