信息传播平台对网络舆情热度的影响分析

林萍　解一涵　魏静

〔摘要〕[目的/意义]新信息技术推动媒体应用平台快速发展，网民通过主流媒体与自媒体积极参与话题讨论，客观分析信息传播平台对网络舆情事件发展的影响力，有利于建立良性的信息生态循环圈。[方法/过程]本文以官方公布的十年网络舆情热点事件为数据分析对象，使用灰色关联法分析历年各信息传播平台与网络舆情热度的关联关系，从时间、事件等维度挖掘信息传播平台对网络舆情热度的影响特征。[结论/建议]各信息传播平台对网络舆情热度的影响力与传播技术发展水平是同步的，对网络舆情热度的影响呈现势均力敌之势，媒体融合、资讯融合是发展必然趋势。

〔关键词〕信息传播平台；灰色关联；热度；网络舆情；媒体

DOI：10.3969/j.issn.1008-0821.2018.05.014

〔中图分类号〕G206〔文献标识码〕A〔文章编号〕1008-0821（2018）05-0094-06

〔Abstract〕[Purpose/Significance]With the rapid development of information technology，netizens express and communicate opinions through the mainstream medias and the we medias.In order to set up virtuous information ecology circle，it is important to analyze the influence that medias exert on the dissemination of network public opinions.[Method/Process]Based on grey correlation theory，this paper selected the hot issues which evaluated by authority organization to analyze the relationship between the medias influence and the hot degree of network public opinions.[Result / Conclusion]The results showed that the medias influence on the hot degree of network public opinions kept pace with technology development.And different type of medias had the similar influence on the dissemination of network public opinions.It is a trend for the media companies to integrate different type of medias to disseminate news and public opinions.

〔Key words〕network public opinion；grey correlation degree；hot degree；network public opinion；media

截至2017年6月，中國网民规模达到751亿，手机网民规模达到724亿[1]，互联网渗透网民日常生活程度日益加深，网络已经成为网民获取信息、表达观点的重要渠道，任何一个话题都有可能因为利益相关性、群体特殊性等吸引网民广泛参与。

传统传播方式是主流媒体依托其强有力的资源优势形成信息权威性，通过报纸、电视、广播等传统渠道尽可能多地覆盖了各类人群。新的信息技术使得新闻彻底突破原有单一、线性的传播形态，海量的“自媒体人”通过移动智能终端，随时随地将发现的新闻信息进行发布，完全颠覆了传统媒体采集和传播信息的垄断地位[2]。一方面网民通过微信或微博获取信息后，在无法确认信息真伪的情况下，通过官方微博、微信公众号、网站新闻等媒体平台的搜索、发帖、转发等行为进一步求证信息；另一方面，传统媒体对“自媒体人”的信息有存疑，从获取的线索中再追踪深入剖析报道，传统主流媒体有时成了新闻的“跟随者”。因此，准确把握各信息传播平台对网络舆情热度的影响力，对于建立包括政府、媒体、企业、个人各主体在内的良性信息生态循环圈有重要的意义。

本文以人民舆情网2007-2016年发布的《中国互联网舆情分析报告》中历年20件热点舆情事件传播渠道分布数据为对象，使用灰色关联法分析历年各信息传播平台与网络舆情热度的关联关系，从时间、事件等维度挖掘信息传播平台对网络舆情热度的影响特征，有助于政府监管部门提高舆论引导效率、媒体完善资讯平台融合、涉事企业高效回应消费者诉求。

1研究现状

我国网络舆情热度研究始于2010年，研究热点主要集中在热度评价指标及影响因素、热度趋势预测、热点话题发现等方面，企业和研究机构也从定性和定量相结合的角度建立舆情热度指标。

11网络舆情热度理论研究现状

建立指标体系，通过层次分析法或者是定性的专家打分和定量的历史数据规范化处理相结合对各指标赋权，是网络舆情热度研究的主流。2010年，张一文等[3-4]最先提出包括事件爆发力即事件影响力及事后处理效果，媒体影响力即报道数量及内容质量，网民作用力和政府疏导力即公信力、响应力和信息沟通能力在内的指标体系，并结合BP神经网络和专家问卷的方式，通过层次分析法建立指标权重。此后，学者[5-14]主要围绕事件、媒体、网民、政府四个维度建立细化指标略有差异的网络舆情热度指标体系，围绕搜索量、报道数量、评论数量、浏览量、回复量、转帖量等因子赋权，使用AHP（层次分析法）、萤火虫聚类算法、Gompertz模型、马尔科夫链等方法进行话题热度的评价和趋势预测。

系统动力学也是网络舆情热度的重要理论支撑。狄国强等[15]分析事件作用、网民作用、媒体作用和政府作用等对网络舆情热度的影响。袁国平等[16]认为网络舆情系统变量包括网络舆情热度、事件影响力、事件破坏力、网民对事件的关注度、事件调控水平、网络媒体关注度、传统媒体关注度、政府关注度、官方响应力度、论坛总贴数，各变量的数值主要通过专家打分的方式设定权重。

随着话题研究升温，部分学者从话题热度的角度考虑网络舆情热度评价。谌志群等[17]等提出话题热度由帖子篇幅权重和帖子热度决定，帖子篇幅权重由关键词簇的占比衡量，帖子热度由不同权重的跟帖量和浏览量综合计算。王林等[18]认为热度由话题簇各参与讨论人次数目累加获得。裴可锋等[19]综合考虑微博评论数、转帖数、基于LDA模型的话题内容热度等因素计算话题热度。聂恩伦等[20]和王卫娇等[21]均认为话题热度趋势与以往相似话题热度特征近似。王鹏程等[22]将情感倾向信息融入话题热度的计算中。杨长春等[23]根据突发事件的交互关系，对突发事件的热度进行预测。兰月新等[24]基于灰色关联度方法和多维度logistic模型对各个媒体平台舆情信息开展预测。

12网络舆情热度实际应用现状

网络舆情热度应用最广泛的是搜索引擎指数，比如谷歌通过在一定区域内和一定时间段中针对某关键词实际搜索数与所有关键词平均搜索量之间的比例关系确定[25]。国内目前认可度较高的网络舆情热度指数中新浪微舆情与清华大学共同发布网络传播热度[26]R=Y1×b1+Y2×b2+Y3×b3+Y4×b4，其中Yi=21+a-x-1×100，该指数根据不同平台上的内容分布情况进行因子分析，确定各类型来源数据的合成系数。清博指数[27]之一微信传播指数主要通过整体、篇均、头条、峰值4个传播力计算，其基础数据来源有阅读数和点赞数，权重是历史数据模型优化后人工分析获得。人民网舆情热度主要是通过专家打分对各个信息平台进行权重设置，比如2014年[28]设置新闻和微博的权重均为05，2015年[29]则对报刊、网络新闻、论坛、博客、微博、微信设置不同权重。

13研究现状分析

网络舆情热度是指当事件发生后，网络媒体和网民对事件的报道、讨论以及政府或者网络监管部门提供的引导机制在网络上所形成的事件舆情高涨程度[3]。理论研究围绕网络舆情热度影响因素主要即文本内容和文本数量建立模型。文本数量侧重考虑网络媒体和网民的发文数量，但在权重测算方面主要采用层次分析法的方式。从网络舆情热度的实际应用角度分析，权重的计算较多使用人工的方式。不论是理论研究还是实际应用，对于媒体信息传播能力的评价一直沿用层次分析法的专家打分思想，在大数据背景下，其权重缺乏充分的客观数据支持。

2研究思路

灰色关联分析是通过对“部分”已知信息的挖掘，度量两个系统或两个因素之间关联性大小，以寻求系统各因素对目标值影响度的大小，从而掌握系统的主要特征[30]。本文以灰色关联度分析人民舆情网2007-2016年发布的《中国互联网舆情分析报告》中历年20件热点舆情事件各信息传播平台分布数据，挖掘同年份各信息传播平台热度与网络舆情总体热度的关联度，通过信息传播平台历年的影响力变化分析媒体的发展趋势，通过单一事件各信息传播平台热度与网络舆情总体热度的关聯关系分析媒体融合的必要性。

21数据获取

从人民网的舆情频道获取2007-2016年的《中国互联网舆情分析报告》[28-29，31-38]。历年报告根据网民关注话题较为集中的信息传播平台，通过浏览量、发帖量、转帖量等数据统计网络舆情热点事件。2007年根据网民比较关注的3个BBS论坛统计发帖量，2008年选择4个全国性时事类论坛和人文知识分子较为集中的牛博网统计原贴数量，2009年选择五大网络社区统计热点事件原贴数量，2010年统计五大网络社区和新浪微博的原贴和跟帖数量，2011年数据来源于三大社区的原贴数量和两个微博的原贴和转帖数量，2012年和2013年统计三大社区主帖数、两大微博以及人人网和开心网的主贴和转帖总和，2014年通过新闻检索量和微博（包括新浪和腾讯微博）检索量综合确定，2016年根据报刊、新闻、论坛、博客、微博、微信、App七类媒介形态的关键词检索量统计。由于2015年只给出热度值并没有20个热点事件在各信息传播平台的热度统计，所以不做分析。

22数据分析

根据灰色关联度的求解过程，对数据进行处理和分析。

221建立数据矩阵，确定参考数列

历年统计的传播信息平台类型各不相同，所以各年分别建立数据矩阵，见公式（1）。其中xi（j）表示事件i在信息传播平台j的贴子统计数量/检索量，1≤i≤n，1≤j≤m-1，每年的网络舆情热点事件数量是n，参与统计的平台数量即相关因素数量是m-1，xi（m）是参考数列，即各网络舆情热点事件的信息传播平台发帖量总和。

222指标数据无量纲化

无量纲化处理方法主要有极值化、标准化、均值化以及标准差化方法。一方面，由于各信息传播平台的数量统计口径不同，有些统计的是原贴量，有些统计的是原贴和转帖量，不同信息传播平台之间不能进行直接比较；另一方面，不同信息传播平台对同一事件的文本信息量差距较大，新闻虽然原贴数量较少，但由于是政府部门或专业媒体撰写，其包含的信息量较大，而微博虽然原贴数量和转帖数量远远超过新闻数量，但由于字数较少，绝大多数是网民个人的口语化表达，包括各种表情符号的使用，因此其信息量较少。基于以上原因，为了更准确地反映各信息传播平台对网络舆情热度的影响，本文选择各信息传播平台中热度最高舆情事件的数值作为基准数值，将其他事件的数值与之比对进行无量纲化，对于参考数列无量纲化也采用同样的思路，并建立无量纲化矩阵，见公式（2）、（3）。

223计算关联系数和关联度

计算每个事件的各信息传播平台热度与参考数列即事件总体热度之间的绝对值差，根据公式（4）、

首先，数据清晰显示各信息传播平台对网络舆情热度的影响力与传播技术发展水平是同步的，每一个新出现的信息传播平台都会迅速聚集网民广泛参与话题讨论。基于2010年统计，新浪论坛和新浪微博的影响力很高。从2010-2014年，不论是新浪还是腾讯，微博由于其开放性、便捷性，使得广大网民能够快速、广泛参与各类话题的讨论，部分舆情热点事件甚至由微博首先发起，持续积聚网民话题讨论参与热度使得微博助推网络舆情事件迅速升温。随着移动互联网在应用方面的不断突破，2016年统计数据中，微信和APP借力排名网络舆情热度影响力的前三。

第二，从信息传播平台角度看，网民对于社会事务的关注度并没有明显的身份特征差异。强国论坛是人民网设立的国内最早中文论坛，凯迪社区知识分子比较集中、关注时政文化等严肃问题，天涯社区关注话题非常广泛，网民在职业、年龄等方面分布较为广泛，但从2007年开始连续七年统计三大论坛对网络舆情热度的影响力差距不大。

第三，在媒体融合的背景下，各信息传播平台对网络舆情热度的影响呈现势均力敌之势。比如人民日报集团，有传统纸质媒体“人民日报”通过邮局全国发行销售；有专业新闻网站“人民网”，提供人民日报电子版，以及更多的权威解读专业板块；在新浪微博有“人民日报”和“人民网”官方微博，在Facebook上也有几百万粉丝；在微信平台有“人民日报微信”、“人民日报时评”、“人民网”等诸多公众号；APP也有“人民日报”客户端。传统媒体充分借助信息新技术，通过资讯平台融合的方式，全方位引导网民参与话题讨论。

第四，从信息传播平台对单个事件网络舆情热度关联度和影响力分析看，单一信息传播平台对事件热度的影响力是很有限的（表3）。例如2009年的上海交通管理部门“钓鱼执法”事件，新浪论坛讨论数量排名第一，但由于在其他信息传播平台的热度与其他事件差距较大，新浪论坛与事件热度的关联度只有03775；2010年袁腾飞言论惹争议事件，在强国论坛和中华网论坛的热度都是排名第一，由于在其他信息传播平台的热度较低，两个论坛对与事件热度的关联度均只有05；2012年莫言获诺贝尔文学奖事件，在知识分子聚集的凯迪社区引起热烈的讨论，其热度远远超过其他所有事件，同样由于信息平台传播的不均衡，凯迪社区与事件热度的关联度只有03333。各类事件要充分利用主流媒体和自媒体的影响力，正面事件充分利用各信息传播平台吸引网民广泛参与、提升社会正能量；负面事件也要考虑综合运用各信息传播平台尽快回应广大网民的诉求，引导舆论方向。

4结论

各种新的信息传播平台不断出现，新平台的影响力逐年增加，而各媒体资讯平台融合的趋势也导致各信息传播平台的影响力处于动态发展。面对海量的多元数据，传统的人工赋权方式不能客观反映各信息传播平台对网络舆情热度的影响力。本文基于历史数据，综合舆情事件的各传播信息平台根据文本数量体现的热度与事件总体热度进行比对分析。首先，使用灰色关联模型对数据进行分析，克服专家打分存在主观偏差的弱点，保证统计的客观性、计算效率高；第二，为防止微博文本绝对数量大但信息量少、而新闻文本绝对数量少但信息量大，用绝对数量占比方式难以全面体现其热度的缺点，各信息传播平台分别使用本平台的最热数据作为基数进行无量纲化处理；第三，选取官方发布的最具有代表性的网络舆情热点事件，通过关联度归一化处理，获得各信息传播平台的影响力，可以作为其他网络舆情事件热度评价的权重参考；第四，从综合不同事件的横向分析和基于时间纵向发展两个维度分析信息传播平台对网络舆情热度的影响变化，较全面展示了媒体在舆论引导和资讯融合方面的发展现状和趋势。

然而，本文也存在一些值得改进和深入的地方。微博一般会通过@或#等链接方式转发新闻，因此，报刊、新闻对于微博的信息传播具有一定影响力。网络舆情热度由内容和数量两个维度共同决定，报刊、新闻包含的信息较为全面、主题集中；单条微博包含的信息量少，评论的信息量更少，同一篇新闻可能会在微博或论坛被稀疏、衍生成多个主题。因此，需要结合内容的信息量对各信息传播平台的热度进行修正。

参考文献

[1]中国互联网络信息中心.第40次中国互联网络发展统计报告[R].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/t20170803_69444.htm，2017-08-03.

[2]范以錦.传播影响力迁徙后的主流媒体应对[J].新闻与写作，2015，（1）：58-60.

[3]张一文，齐佳音，方滨兴，等.非常规突发事件网络舆情热度评价指标体系构建[J].情报杂志，2010，29（11）：71-75，117.

[4]张一文，齐佳音，方滨兴，等.非常规突发事件网络舆情热度评价体系研究[J].情报科学，2011，29（9）：1418-1424.

[5]王雅蕾，方付建.舆情热点事件的热源研究——基于人民网“舆情排行榜”的分析[J].北京理工大学学报：社会科学版，2011，13（4）：108-113.

[6]王青，成颖，巢乃鹏.网络舆情监测及预警指标体系构建研究[J].图书情报工作.2011，55（8）：54-57，111.

[7]冯江平，张月，赵舒贞，等.网络舆情评价指标体系的构建与应用[J].云南师范大学学报：哲学社会科学版，2014，46（2）：75-84.

[8]曹学艳，张仙，刘樑，等.基于应对等级的突发事件网络舆情热度分析[J].中国管理科学，2014，22（3）：82-89.

[9]王雅琳，陆向艳，钟诚.基于链接和萤火虫算法聚类博文发现热点话题[J].计算机工程与设计，2015，36（6）：1620-1625.

[10]孙飞显，程世辉，靳晓婷，等.政府负面网络舆情热度定量评价方法——以新浪微博为例[J].情报杂志，2015，34（8）：137-141.

[11]兰月新，王芳，董希琳，等.公共危机事件网络舆情热度模型研究[J].情报科学，2016，34（2）：32-36.

[12]林文声，姚一源，王志刚.食品安全事件网络舆情热度评价研究：基于BP神经网络的方法[J].现代管理科学，2016，（9）：30-32.

[13]刘勘，李晶，刘萍.基于马尔可夫链的舆情热度趋势分析[J].计算机工程与应用，2011，47（36）：170-173.

[14]屈启兴，齐佳音.基于微博的企业网络舆情热度趋势分析[J].情报杂志，2014，33（6）：133-137.

[15]狄国强，曾华艺，勒中坚，等.网络舆情事件的系统动力学模型与仿真[J].情报杂志，2012，31（8）：12-20.

[16]袁国平，许晓兵.基于系统动力学的关于突发事件后网络舆情热度研究[J].情报科学，2015，33（10）：52-56.

[17]谌志群，徐宁，王荣波.基于主题演化图的网络论坛热点跟踪[J].情报科学，2013，（31）3：147-150.

[18]王林，时勘，赵杨，等.基于突发事件的微博集群行为舆情感知实验[J].情报杂志，2013，32（5）：32-37，48.

[19]裴可锋，陈永洲，马静.基于DTPM模型的话题热度预测方法[J].情报杂志，2016，35（12）：52-57.

[20]聂恩伦，陈黎，王亚强，等.基于K近邻的新话题热度预测算法[J].计算机科学，2012，（S1）：257-260.

[21]王卫姣，陈黎，王亚强，等.LDA和KNN相结合的帖子热度预测算法[J].四川大学学报：自然科学版，2014，51（3）：467-473.

[22]王鹏程，肖正，刘辉.融合观点倾向的话题热度趋势建模研究[J].计算机工程，2015，41（7）：66-70.

[23]杨长春，袁敏.基于交互关系的突发事件热度预测研究[J].现代情报，2017，37（3）：40-45.

[24]兰月新，刘冰月，张鹏，等.面向大数据的网络舆情热度动态预测模型研究[J].情报杂志，2017，36（6）：105-110，147.

[25]Zhi Da，Joseph Engelbergz，Pengjie Gao et al.In Search of Earnings Predictability[C].China International Conference in Finance，2011：1-32.

[26]新浪微舆情与清华大学共同发布网络传播热度指数算法[EB/OL].http：//news.163.com/16/1220/12/C8NT2UTV000 18AOP.html，2016-12-20.

[27]清博指数[EB/OL].http：//www.gsdata.cn/site/usage#WCI，2017-07-01.

[28]人民网.2014年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[29]人民网.2015年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[30]刘思峰，杨英杰，吴利丰.灰色系统理论及其应用[M].第7版.北京：科学出版社，2014.

[31]人民网.2007年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[32]人民網.2008年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[33]人民网.2009年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[34]人民网.2010年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[35]人民网.2011年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[36]人民网.2012年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[37]人民网.2013年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

[38]人民网.2016年中国互联网舆情分析报告[EB/OL].http：//yuqing.people.com.cn/.

（实习编辑：陈媛）