网络舆情事件演变的动力学建模及预警监测

2016-11-19徐勇

现代情报 2016年4期

〔摘要〕为提高网络舆情事件预警监测的有效性，以社会学的价值累加理论为基础，基于系统动力学的“结构——功能”模型，通过对网络舆情事件演变中的影响因素及其作用表现的分析，归纳事件的演变规律和其中的主要因果关系，构建网络舆情事件演变的系统动力学模型，确立事件演变中各主要因素间的数据关系。以此为指导，设计预警监测模型，构建网络舆情热点智能监测平台系统，获取、发现网络热点信息，研判其发展趋势，为政府应对网络舆情事件提供决策支持。

〔关键词〕网络舆情；事件；系统动力学；演变；预警

DOI：10.3969/j.issn.1008-0821.2016.04.003

〔中图分类号〕TP391 〔文献标识码〕A 〔文章编号〕1008-0821（2016）04-0014-06

〔Abstract〕In order to improve the effectiveness of early warning monitoring of network opinion events，based on the value added theory，the evolution law of the network opinion events is analyzed，and the main causal relationship in the events evolution is summarized.And based on the structure and function model of system dynamics，the system dynamics model of the network opinion events evolution is built.Using the Vensim PLE，the effects of relevant factors on the event evolution are simulation analyzed，and the data relationship among the main factors is established.According to the data relationship，the early warning monitoring model is designed.And the intelligent monitoring system of network public opinion hotspot is built to acquisite and discovery the hotspot information，analyze the development trend.The analysis results could be used as the necessary theoretical basis for the government to formulate the network opinion events coping strategies.

〔Key words〕network opinion；events；system dynamics；evolution；early warning

网络舆情事件是在一定的社会背景和社会环境下，在某些因素的诱发下，网民群体围绕特定的主题，利用网络制造舆论，形成一般性的概念，为网上和网下的集体行动指明方向，最终产生一定社会影响的事件。局部现象、个别言论经由网络的高倍放大，可以迅速演变为重大社会事件，对我国社会产生深刻的影响，了解网络舆情事件的演变规律是政府部门制定网络舆情事件的有效应对策略的前提。

目前我国学界对网络舆情事件的发生机理，多是从宏观的社会背景、政治环境、网络的虚拟特性，从公众的心理、个体行为等在事件演变中的作用等角度对网络舆情事件的演变机理进行一般性阐述和理论性推演[1-4]，对事件的演变缺乏系统性的理论阐释。一些学者虽然开始重视运用集体行动理论，如社会心理学的群体行为的理论、价值累加理论、建构主义理论等[1，5-7]，对事件的演变进行研究，但研究还只是局限于进行定性分析，缺少系统性的实证分析和量化研究。部分学者尝试通过模型仿真的方法分析研究网络舆情事件及相关领域[7]，但却又往往是单纯从技术的角度，对事件的发生背景等社会学因素关注不够。总的来看，现有的相关研究中，以社会学的相关理论为基础，并同时从系统的角度，对网络舆情事件的演变机理进行建模分析并用以指导进行事件应对的研究尚不多见。

网络舆情事件的发生、发展是多因素作用的结果，整个演变过程可以看作是一个复杂“系统”，事件演变过程中各因素间的关系复杂、事件内外动力的作用复杂。本文以价值累加理论作为研究的理论基础，梳理网络舆情事件演变的过程逻辑，并基于系统动力学的系统分析思路和方法，将网络舆情事件演变过程的复杂性、非线性及多变量性用系统动力学的“结构——功能”模型展现出来，进行系统思考，客观地分析各因素对事件发展演变的影响机制，构建网络舆情事件演变的动力学模型。以模型中各变量间的数据关系为基础，构建网络舆情事件预警监测系统，提高预警监测的针对性和准确性。

1 网络舆情事件的演变过程

选取近几年来发生的一些网络舆情事件作为样本案例，以价值累加理论所描述的结构性诱因、结构性紧张、共同信念、触发因素、行动动员、社会控制失效等6个因素为分析维度，对事件的演变过程进行分析。

通过对案例的分析，可以发现网络舆情事件的发展具有明显的阶段性特征，可分为潜伏期、初发期、爆发期和衰退期。

在潜伏期，社会矛盾、社会不平等、不公正现象，经过媒体的报道、网络的传播，会扩大社会的不满情绪，增强社会的结构性紧张程度。公众因受自己的背景、学历、年龄、价值观、兴趣、爱好，以及所处的群体环境等的影响，更愿意选择那些与自己的既有立场和态度一致或接近的内容加以接触、认知和记忆，在心中形成各种类型的结构性怨恨，成为公众参与网络舆情事件的基础性动力。

在初发期，一些现象经过媒体爆料，引发关注，事件的网上舆情开始发端，当面对包含有吸引关注的某些刺激性因素时，公众极易因为与心中已存有的结构性怨恨相契合而引起心理和情感共鸣，进而形成某种共同感受，产生普遍情绪和共同信念，为行动指明方向。

在爆发期，网民通过论坛、微博等的互动交流，个体间的情感相互渲染，形成群体性情感，并反复振荡，不断加强，形成符号化的标签，促进共同信念的形成和行动动员的完成，推动事件舆情的走向高潮。

在衰退期，政府采取有效的应对措施，引导舆论、疏导情绪，公众和媒体的关注度下降，事件舆情逐渐降温，直至事件平息。

2 网络舆情事件演变的动力学建模

2.1 系统边界及模型要素

从网络舆情事件的演变过程可以看出，网络舆情事件演变的标志是事件舆情热度的变化。政府、公众、媒体是3类主要的实体对象，三者之间在网络空间或现实空间围绕事件的信息交流（图1），如媒体对事件的报道、公众对事件的讨论以及政府对事件的疏导等，推动了事件舆情热度的变化。研究中，将政府、公众、媒体，以及事件自身的影响作为系统的研究边界和模型的主要要素。

2.1.1 事件

指网络舆情事件所涉及的具体问题。从事件的受关注度，事件的影响力，公众利益相关度（利益诉求）等，分析其对事件舆情热度的作用。根据对网络舆情事件样本案例的分析，官民矛盾、环境污染、食品安全、社会道德、官员腐败、警民关系、贫富分化、征地拆迁、医患纠纷等9个方面的问题是引发公众关注，容易成为网络热点的一些主要社会问题。在事件演变的过程中，事件因其所具有的带有矛盾特质的敏感性因素引起公众、媒体、政府的广泛关注，并推动网民的互动、媒体的互动，促使政府进行必要的应对，事件的舆情热度因此变化。

2.1.2 公众

主要指网民，分为普通网民和意见领袖。公众是网络舆情事件舆情的主体，在事件舆情的形成过程中，公众不仅是信息的接受者，也是信息的传播者。公众从各类媒体上获得信息，并发表自己的观点和看法。公众通过意见和情绪的表达，吸引更广泛的关注和参与。

2.1.3 媒体

媒体是网络舆情事件舆情的载体，媒体包括传统媒体（电视、报刊、广播等）和新兴媒体（互联网、手机等）。在网络舆情事件的演变中，传统媒体和新兴媒体对事件的关注和彼此间的互动，能强化事件的相关议题，升级、放大舆论，吸引更多的网民关注事件，并使得政府对事件的发展进行关注。

2.1.4 政府

政府在网络舆情事件演变中的作用贯穿始终，并且是事件舆情消退的决定性因素。在社会和公共事务的管理中，政府的有关措施不当，将会引发公众和政府之间的矛盾，激发公众对社会的不满，刺激网络舆情事件的发生。在事件发生后，政府如果应对失当，则会加重事件的舆情危机，反之，如果应对得当，则会有效消解舆情。

2.2 系统流图的构建

模型所涉及的各类变量、常量共39个，其中，状态变量有：政府新闻发布数量、网民发帖数量、传统媒体新闻数量和新兴媒体新闻数量；辅助变量有：事件受关注度、网民关注度、网民互动度、新兴媒体关注度、传统媒体关注度、媒体互动度、共同信念形成度、行动动员效果、政府关注度、政府调控力度、事件处置力度、社会控制能力、偶发因素、事件影响力、事件的舆情热度；常量有：技术发展度、公众质疑度、意见领袖、官员能力水平、政府公信力，等等。构建网络舆情事件演变的系统流图如图2所示。

2.3 主要数据关系

模型中的变量类型多样，涉及心理、行为等多个层面，在研究的过程中，不为每个变量设置量纲，忽略变量间的量纲关系，综合采用层次分析法及对有关文献中的数据的定性分析法确定系统中变量间的数据关系。主要数据关系描述如下：

（1）政府新闻发布数量=INTEG（政府新发布新闻量-政府新闻减少量，1）

流位：政府新闻发布数量，L1（t）；流率：政府新闻变化量，R1（t）。其中，R1（t）=dL1（t）/dt，政府新闻发布数量的初始值为1，即L1（0）=1。

模型中，以政府新闻发布数量的多少体现政府对事件的关注程度。政府对事件的关注度同时还受传统媒体和新兴媒体对事件关注度的影响。

（2）网络发帖数量=INTEG（网民新发帖量-帖子减少量，1）

流位：网民发帖数量，L2（t）；流率：网民发帖变化量，R2（t）。其中，R2（t）=dL2（t）/dt，网民发帖数量的初始值为1，即L2（0）=1。

模型中，以网民发帖数量的多少体现网民对事件的关注程度。网民通过浏览、转发新闻，发表与事件有关的帖子，参与到事件的讨论中去。

（3）传统媒体新闻数量=INTEG（传统媒体新闻增加量-传统媒体新闻减少量，1）

流位：传统媒体新闻数量，L3（t）；流率：传统媒体新闻变化量，R3（t）。其中，R3（t）=dL3（t）/dt，传统媒体新闻数量的初始值为1，即L3（0）=1。

模型中，以传统媒体新闻数量的多少体现传统媒体对事件的关注程度。

（4）网络新闻数量=INTEG（网络新闻增加量-网络新闻减少量，1）

流位：新兴媒体新闻数量，L4（t）；流率：新兴媒体新闻变化量，R4（t）。其中，R4（t）=dL4（t）/dt，新兴媒体新闻数量的初始值为1，即L4（0）=1。

模型中，以新兴媒体新闻数量的多少体现新兴媒体对事件的关注程度。

（5）主导结构的流位流率系为：

{（L1（t），R1（t）），（L2（t），R2（t）），（L3（t），R3（t）），（L4（t），R4（t））}

（6）事件影响力=（事件的舆情热度）EXP（-Time）/100+偶发因素RANDOM UNIFORM（50，80，10）

（7）事件的舆情热度=0.1媒体互动度+0.1网民互动度10+0.15行动动员效果+0.15共同信念形成度-0.2事件处置力度-0.3社会控制能力

（8）行动动员效果=（媒体互动度+网民互动度10）（1+ABS（意见领袖））

（9）共同信念形成度=媒体互动度+网民互动度10+网络谣言RANDOM UNIFORM（0，100，10）10

（10）政府关注度=100-EXP（-0.1政府新闻发布数量）+传统媒体关注度+新兴媒体关注度

（11）网民关注度=100-EXP（-0.1网络发帖数量）

（12）传统媒体关注度=100-EXP（-0.1传统媒体新闻数量）

（13）新兴媒体关注度=100-EXP（-0.1网络新闻数量）

2.4 模型有效性检验

以Vensim PLE为仿真平台，对模型进行运算，得到事件的演变趋势如图3所示。从图上可以看出，事件的舆情态势呈现出正偏态分布的态势，表现出比较明晰的阶段性特征，与网络舆情事件样本案例的实际情况和演变周期基本相符。网络舆情事件往往在比较短的时间内达到舆情高峰，而后逐渐回落趋向平稳。仿真得到的网络舆情事件的舆情态势从总体上基本可以客观地表现出事件的舆情涨落规律。因此，模型中的各因素间的数据关系可以成立。

2.5 仿真分析

从对网络舆情事件演变过程的分析可知，在事件的演变中，触发因素的出现、共同信念的形成、行动动员的完成是3个关键的环节。这点通过对事件演变模型的仿真分析也可以清楚地看到。下面具体以触发因素的出现对事件演变影响的仿真分析为例进行说明。

触发因素的出现凝聚了社会紧张的浓度，为事件的发生提供了一个真切而敏感的具体刺激，促进网民间的意见交流和情绪感染。触发因素的出现带有偶然性，假设：在事件发端后的第7天出现触发因素。通过仿真，从图4和图5可以看到，当某个偶然性因素在第7天出现后，网民的关注度有一个明显的峰值，之后再开始回落，表明触发因素的出现对网民的情绪起了较大的刺激作用，网络讨论的热度急剧上升。同时，可以看到因为触发因素的出现，政府的关注度、传统媒体关注度和新兴媒体的关注度等产生了连锁反应，出现了波动性变化，从而最终导致事件的舆情热度也产生了波动性变化。

3 网络舆情事件的预警监测

网络舆情事件发端于网络舆情热点信息。网络舆情热点信息一般是公众比较关注的一些现实社会中的问题在网络中的集中表现。预警监测网络舆情事件主要就是及时获取、发现网络舆情热点信息，并对热点信息的发展趋势进行跟踪预测，研判触发因素是否出现、共意是否形成等，为事件应对做好准备。

3.1 舆情信息的获取

互联网中的舆情信息是通过各种各样的文字性描述共同表达的具有特定主题的内容，其表现形式包括：网页中的新闻评论、论坛留言板中的主帖和跟帖、博客中的记录和留言、微博客等。监测模型选取的信息来源主要有：政府新闻网站，预置人民网、新华网等；大型商业网站，预置搜狐、新浪、网易等；网络社区，预置天涯社区、猫扑、凯迪社区等；新闻媒体网站，预置光明日报、中央电视台等；Blog，预置新浪博客、中国博客网等；微博客，预置新浪微博、腾讯微博等。

在模型中，吸收Best-First算法抽取链接的准确率高的优势，对其收敛速度过快的缺陷进行改进，提高其查全率，基于网页的链接类型和链接变化的信息，设计网络爬虫捕获相关主题的Web页面。

在信息特征项的抽取中，以传统TFIDF算法为基础，不考虑篇章的结构信息对权重的影响，将正文中不同位置的相同词语同等看待，赋予同样的权值，改进TFIDF方法来计算特征项的权重termWeight，通过K-近邻算法和K-means算法对信息进行分类和聚类。

将官民矛盾、环境污染等9个方面作为预设类别，在信息的聚类分析中，根据分析结果对系统的预设类别进行动态调整。在信息分类中，按照这9个方面建立样本数据集D。样本数据集D的数据由抓取的历史网页组成，利用网络爬虫，分别基于给定的9个方面社会问题的主题关键词，进行信息采集后，经过过滤和特征项抽取得到。训练集中的每个网页都被表示成一个向量，向量由属性和类别组成，其中每个单独的词条（Term）为一个属性。

3.2 热点信息的发现

从仿真模型变量间的数据关系可以看到，网络舆情事件的舆情热度与媒体互动度、网民互动度、行动动员效果、共同信息形成度等表现为正相关关系，与事件处置力度和社会控制力等表现为负相关关系。而媒体互动度、网民互动度等又与媒体关注度和网民关注度表现为正相关关系，事件处置力度等与政府关注度表现为正相关关系。因此，在政府、媒体、公众这3个与事件演变相关的主要实体对象中，事件的舆情热度与媒体和网民（公众）对事件的关注度正相关，与政府对事件的关注度负相关。在监测模型的设计中，以政府、媒体、公众对信息的关注度作为表征信息热度的重要指标。同时，考虑到网民的交流具有随意性，随着讨论的展开，讨论内容可能逐渐偏离了原先的主题甚至跳到另外一个不相关的主题，这种情况下将会出现公众讨论的即使很热烈（关注度高），但因与主题相关度不高，信息的热度值并不高。在确定网络话题的信息热度时，将根据关注度和相关度来综合考虑。

3.2.1 媒体关注度计算模型

媒体关注度（Arm）的主要特征通过报道天数（RDNum）和报道频率（RfNum）表现。根据TFPDF的思想来定量描述一段时间内某一信息受媒体关注的程度。具体的计算模型如下：

Arm（i，tm）=TF（i，tm）PDF（i，tm）RDNum（tm）

（1）

其中：Arm（i，tm）表示在时间段tm内，网络上关于信息i的关注度，tm可以是任意的时间段；从仿真模型的数据关系中可以看到无论是传统媒体还是新兴媒体，其关注度与新闻量之间均是指数关系，所以计算PDF值时取指数形式来提高其权重。

PDF（i，tm）=EXP（RfNumi（tm）/RDi（tm））

（2）

3.2.2 公众关注度计算模型

公众关注度（Aru）的主要特征通过网民的点击数（CkNum）和网民的评论数（DNum）表现。具体计算模型如下：

Aru（i，tm）=log（0.5Pr+Pc+λ）（（0.5Pr+Pc）EXP（-tm′））

（3）

其中：Aru（i，tm）表示在时间段tm内，公众对信息i的关注度；Pri表示信息i的阅读人数的比例；Pci表示信息i的回复人数的比例；λ为动态调整因子，用来平衡公式中相关因子对公式的影响；tm′为当前时间与主题发布时间的时间差，当时间差为0时，时效性因子值为1，随着时间差的增大，时效性因子呈指数衰减，时间越长，公众的关注度越低。

3.2.3 主题相关度计算模型

主题相关度通过计算该主题下的回复内容与原主题内容的相关度统计得到，两篇帖子之间相关度的计算可以通过比较两篇文本的内容的相似度来判断。具体计算模型如下：

Rel（i）=1N∑Nj=0sim（c0，cj）

（4）

其中：Rel（i）为主题相关度，sim（c0，cj）为c0和cj之间的文本相似度，用向量间夹角的余弦值来计算c0和cj之间的文本相似度：N是两篇文档中包含的特征项种类的数量。

3.2.4 热点发现计算模型

构建信息热度的计算模型如下：

Ar（i，tm）=（αArm（i，tm）+βAru（i，tm））Rel（i）

（5）

其中：参数α和β的主要作用是用来调节媒体关注度和公众关注度的数值差异，以平衡各因子对整个公式的影响。

当Ar（i，tm）的值超过预设的阈值后，信息i可被视为热点信息，所关联的话题为热点话题HotTopici，其发展态势需予以关注。当政府开始关注热点信息时，往往会采取一定的措施疏导舆情，因此当政府开始关注后，信息热度的计算模型将变化为：

Ar（i，tm）=（αArm（i，tm）+βAru（i，tm）-rArg（i，tm′））Rel（i）

（6）

其中：参数r的作用与参数α和β类似。Arg表示政府关注度，其主要特征通过政府新闻网站上相关报道的时间和频次体现。

Arg（i，tm′）=TF′（i，tm′）PDF′（i，tm′）RDNum′（tm′）

（7）

3.3 热点信息发展趋势跟踪预测

3.3.1 热点跟踪

从网络舆情事件演变仿真模型中的数据关系可以看到，网民的新发帖量与触发因素之间是随机函数关系。考察实际样本案例，也能发现随着时间的变化，不仅关于热点话题会有新的内容出现，而且原话题本身也可能因为现实世界中的一些变化而发生动态的变化，即出现话题更新或漂移，其特征子集也可能随之会发生变化，需要对特征子集进行适时调整。在设计跟踪算法时，基于对网络舆情事件触发因素的分析，建立敏感信息基本库；基于文本的特征子集向量设计自适应话题跟踪算法，对原话题的特征子集根据跟踪结果进行自适应的修正，提高跟踪的精度。

修正特征子集的基本思路是以跟踪到的新文本为基础，从新文本的特征项中选择权重最高的项tnew，加入到原文本的特征子集DT中，而后以此为新的特征子集D′T，进行后续的跟踪工作。完成特征子集修正的同时，判断D′T和DT的差异集DSUD中是否有与敏感信息基本库中的某些特征词信息相吻合的特征项，如果有，则据此认为价值累加理论中的触发因素条件出现了，将结果提供给人工进行确认。

触发因素的出现，会对网民产生刺激作用，政府的关注度、媒体的关注度等也会产生连锁反应，从而最终导致事件的舆情热度在短时间内会急速上升。在网络舆情事件的演变中，事件的符号化标签是增强情感的图腾，符号以及与符号特征相关的一些信息是唤醒群体情感，促进共同信念形成的源泉和标志。在经过人工确认触发因素出现后，需进一步判断是否出现了符号化标签信息（或与符号化特征相关的信息）。

研判时，比较热点话题敏感信息的原特征子集DSUD及新产生的与之相关的特征子集D′SUD，如果（D′SUD-DSUD）所得的特征集的特征项数量为零，则DSUD或D′SUD中的特征项必为符号化标签信息，并且形成了共意（当符号化标签信息出现后，网上的舆论主题将会趋同于符号化标签所蕴含的特征信息，这时所采集到的话题信息基本不会有新的特征信息）；如果（D′SUD-DSUD）所得的特征集的特征项数量不为零，但小于预设的临界值（临界值根据经验设定，可根据监测的实际情况随时做出调整），则判断形成了共意，但需提供给人工进行确认；如果（D′SUD-DSUD）所得的特征集的特征项数量不为零，且大于预设的临界值，则可判断尚未形成共意，但因有触发因素推高了舆情，此时也需对触发因素的后续舆情进行关注。

根据判断结果，对包含触发因素，且形成了共意的舆情的发展趋势进行重点监测，对其他舆情予以必要的关注。

3.3.2 趋势预测

趋势预测是构建计量模型，建立量化指标体系，对热点话题的舆情发展态势进行预测，以便于决策者执行预控和管理手段。在研究中，基于话题的平均相似度设计话题的舆情态势预测模型。舆情指数的计算公式如下：

ExpHotTopici，x=WHotTopici，xWHotTopici，1ExpHotTopici，1

（8）

其中：ExpHotTopici，x和WHotTopici，x分别为话题HotTopici在第x天的舆情指数和话题关注度，WHotTopici，1为该话题第1天出现时的话题关注度。话题关注度基于话题的热度和话题的平均相似度得到。

WHotTopici，x=Fi（avgsim）Ar′（i，tm）

（9）

以话题产生的第1天为基准，通过公式（8）可以得到以后每一天相对于第1天的话题关注度变化情况，从而可以得到一条反映该话题发展演变过程的曲线，即话题发展曲线。话题发展曲线的起伏，反映出热点信息舆情的涨落。根据舆情态势判断是否需要进行必要的处理，以干预网民的行动动员，防止事件的爆发。

4 结束语

本文综合运用价值累加理论和系统动力学分析网络舆情事件演变中各影响因素间的逻辑关系，将公众、媒体、政府、事件作为问题的边界和模型的要素，建立网络舆情事件演变的系统动力学模型。以模型中各变量间的数据关系为基础，设计网络舆情事件的预警监测模型，对引致网络舆情事件的发生的网络舆情热点信息的舆情态势进行监测预警。为网络舆情事件演变机理的相关研究中多学科领域的融合进行了有意义的探索。

基于预警监测模型，构造了网络舆情热点信息智能监测平台系统（NPOIMS），以我国西部地区的x市为实际应用对象，架构舆情监测系统，监测与x市有关的各类舆情信息，提炼热点词语，进行舆情研判，提供分析报告，为x市的相关部门提供舆情引导和事件应对的信息参考和决策支持[15]。

网络舆情事件的演变是一个复杂的过程，影响因素众多且情况多变，在建模时，并不能全部考虑进去，因此还需要进行更深入的探讨，以使模型能更好地拟合事件的演变过程，更细致地表现相关因素对事件演变的影响作用，丰富完善NPOIMS的功能，为事件的应对提供更全面的决策支持。

参考文献

[1]高恩新.互联网公共事件的议题建构与共意动员——以几起网络公共事件为例[J].公共管理学报，2009，6（4）：96-104.

[2]陈强，徐晓林，王国华.网络群体性事件演变机制研究[J].情报杂志，2011，30（3）：35-38.

[3]金鑫，李小腾，朱建明.突发事件网络舆情的演变机制及其情感性分析研究[J].现代情报，2012，32（12）：8-13.

[4]范铁中.网络舆情对群体性事件的影响与控制[J].中共福建省委党校学报，2014，25（4）：48-53.

[5]李婷玉.网络集体行动发生机制的探索性研究——以2008年网络事件为例[J].上海行政学院学报，2011，12（2）：87-94.

[6]乐国安，薛婷.网络集群行为的理论解释模型探索[J].南开学报：哲学社会科学版，2011，38（5）：116-123.

[7]赵俊.两个舆论场中的网络群体性事件交互演化建模研究[J].软科学，2015，29（5）：135-139.

[8]张一文，齐佳音，马君，等.网络舆情与非常规突发事件作用机制——基于系统动力学建模分析[J].情报杂志，2010，29（9）：1-6.

[9]陈波，于泠.泛在媒体环境下的网络舆情传播控制模型[J].系统工程理论与实践，2011，31（11）：2140-2150.