APP下载

农产品安全网络舆情演化分析与导控策略

2020-04-22傅丽芳裴城妍郭永瑞赵菲菲

科学技术与工程 2020年7期
关键词:元胞负面舆情

傅丽芳, 裴城妍, 郭永瑞, 赵菲菲

(1.东北农业大学理学院,哈尔滨 150030;2.东北农业大学工程学院,哈尔滨 150030)

互联网的高速发展使信息的传输和交换发生了巨大的变化,人们可以通过网络参与讨论并表达自己的观点,但是一旦相关舆情的传播超出可控范围,将会对社会产生不良的影响。农产品是民众日常生活中不可缺少的一部分,关系着人们的健康,一旦发生质量问题,更容易引起网民的关注甚至会产生恐慌,传播的速度和范围更快更广,甚至会影响相关产业的发展[1]。所以农产品安全网络舆情的预防和导控有着很大的研究意义,有关农产品安全的舆情研究引起了国内外学者的广泛关注。

目前,在研究农产品安全网络舆情传播时,学者们主要通过利用结构方程模型、Logistic模型、传染病模型、BP(back propagation)神经网络模型、隐含狄利克雷分布(latent dirichlet allocation,LDA)模型来模拟真实的舆情传播[2]。潘守慧等对Single-Pass算法进行改进,提出了可以有效检测农产品安全事件的方法[3]。刘杨等对中国食品安全问题中人为故意行为的作用机理路径进行了研究,并给出了相应的风险防控政策[4]。

元胞自动机模型用于研究舆情的演化主要有以下3个方面:一是在经典模型的基础上改进演化规则。胡祖平等通过在元胞的演化规则中加入观点坚守力和影响系数,探究观点影响系数以及初始比例对于舆情演化的影响[5];二是将元胞主体属性的数值化分布和定界模糊化;毛乾任等将个体属性模糊化并分析了元胞属性和周围邻居对网络舆情演化的影响[6];Chen等将元胞情感倾向度、自信度、邻域的影响度和情感倾向与模糊论相结合,构造了模糊CA规则网络舆情演化模型[7];三是考虑元胞个体的异质属性;毛乾任等将元胞分为4类并定义了各自的转换规则,通过仿真实验分析异质属性和导控策略对舆情传播的作用效果[8]。

元胞自动机作为研究舆情传播的模型很少有学者将其应用于农产品安全事件网络舆情的分析中,因此本文引入元胞自动机方法,根据农产品舆情的特点,对元胞自动机模型中邻域结构、状态转移函数及演化规则进行了改进,并在状态转移函数中嵌入舆情导控因子,分析导控系数及信息干预时机对舆情发展态势和演化规律的影响作用。最后以中国近期发生的“非洲猪瘟”事件进行实证分析,验证构建模型的有效性。以期揭示农产品安全事件网络舆情演化的规律,并为相关职能部门进行合理的舆情导控提供参考。

1 农产品网络舆情

1.1 农产品网络舆情相关概念

农产品网络舆情是指民众对发生的农产品安全事件通过网络传播和表达的各种观点,情感态度以及意见的总和。公众的高敏感度和关注度使得农产品安全事件容易产生情绪化的报道以及炒作,干扰公众对农产品安全事件的理性认识,引发农产品安全恐慌。因此以农产品网络舆情为研究对象,构建舆情传播与导控模型,通过仿真模拟农产品舆情传播的本质和机理,为有效应对农产品安全网络舆情提供一定的理论依据。

1.2 农产品网络舆情的特点

(1)农产品的质量安全关系着人们的身体健康,关注度更高,一旦发生,传播速度和范围更快更广,容易引发农产品安全恐慌。

(2)出于对健康风险的防范意识,网民在农产品安全事件中更容易倾向于负面情绪,在信息传播过程中负面态度的影响更大,出现明显的羊群效应。

(3)相关职能部门适时的信息披露是减少农产品安全事件信息的不对称性和不完整性的有效手段,有助于引导网民态度向客观、公正的方向转变,有效导控舆情发展,避免网络舆情的爆发。

2 基于元胞自动机的舆情演化模型

2.1 元胞自动机理论

元胞自动机(cellular automata, CA)是定义在一个具有离散、有限状态的元胞组成的元胞空间上,并按照一定局部规则,在离散的时间维上演化的动力学系统[9]。其基本的组成部分包括元胞、元胞空间、邻居、元胞状态和元胞演化规则,组成结构如图1所示。二维CA模型的邻域主要有冯·诺依曼(Von Neumann) 型、摩尔(Moore)型和扩展的Moore型,如图2所示[10]。

图1 元胞自动机的构成Fig.1 Composition of cellular automata

图2 二维元胞自动机邻域模型Fig.2 Neighborhood model of cellular automata

2.2 改进的CA模型

根据以上农产品网络舆情传播的特点,在CA理论模型的基础上,做了以下几个方面的改进,使得模型中各元胞的交互与影响更符合此类舆情中网民之间的相互关系,从而更准确地模拟舆情的演化过程。

2.2.1 邻域模型的选择

以往的CA模型研究中以4邻域结构为主,但农产品安全事件的舆情传播和影响范围更大,网民之间的交互更频繁,因此选取Moore型8邻域结构构建元胞模型。每个处于中心的元胞将与周围8个相邻的元胞进行信息交互,以此模仿现实中网民之间的相互作用过程。

2.2.2 元胞情感态度倾向性

在农产品舆情的传播过程中,可将网民对于舆情的态度划分为正面、中立、负面三类,并设置对应元胞的情感倾向度函数St(i,j),表示元胞(i,j)在t时刻的态度倾向。令St(i,j)∈[-1,1],并对其取值区间和情感倾向做出以下的划分[12]:

(1)

函数St(i,j)越大,表示态度越倾向于正面,越小越倾向于负面的态度。

2.2.3 元胞状态转换函数

在农产品网络舆情演化时,元胞的状态即为对舆情事件的态度。每个元胞下一时刻的状态受到自身当前状态、自身免疫力、周围元胞状态以及外部干预的影响,结合上述几个方面的影响作用,定义t+1时刻元胞状态的转换规则为

St+1(i,j)=αi,jSt(i,j)+βi,j(w正∑S正+w中∑S中+w负∑S负)+γS导控

(2)

式(2)中:α为元胞自身免疫力系数,表示其受邻域元胞影响时对自我观点的坚持力。α属于[0,1],免疫系数越大,越不容易受邻域元胞的影响。t时刻元胞(i,j)观点的免疫值为αi,jSt(i,j)。

特别地,当α=0时,元胞态度转变完全取决于邻域元胞的影响,此类元胞用来模拟现实中自我立场不坚定的网民。当α=1时,该元胞有着很强的免疫力,坚守当前元胞自身态度而完全不受邻域元胞的影响,此类元胞用来模拟现实中始终坚持自我意识的网民。

β表示受邻域元胞影响的系数,值越小越不容易受邻域的影响。系数w表示不同情感态度邻域的元胞对其周围元胞的影响力。

对于状态转移函数最主要的改进体现在嵌入了政府干预的影响作用γS导控。参数γ表示职能部门的导控系数,令γ∈[0,1],导控系数越接近1,表示舆情导控强度越大,γ越接近0,政府干预的力度越小。职能部门尚未采取舆情干预与导控措施时,系数γ设置为0;当管理部门采取舆情干预措施时系数γ大于零。上述三个系数一般情况下满足α+β+γ=1。

由于政府职能部门的信息披露和舆情干预目的是引导网民客观、正确认识农产品安全事件事实,在舆情事件中采取积极正确的态度,因此职能部门态度倾向是正面的或者中立客观的,参数S导控在取值区间为[0,1]。

通过在状态转移函数中嵌入导控因子,能够直观地体现职能部门的信息披露和舆情干预对于网民情感变化的影响,并通过模拟实验针对不同的舆情发展态势,探究合理的导控系数设置和信息披露时机,制定科学的舆情导控策略。

2.2.4 各类情感影响权值的设定

据状态转移函数式(2),t时刻不同倾向度的邻域元胞的观点影响值为β(w正∑S正+w中∑S中+w负∑S负)。

根据农产品安全事件网络舆情中民众的一般心理和相互影响作用,合理设置各类情感倾向的影响权值。由于农产品安全问题关乎民众自身健康,网民更容易被此类舆情信息吸引并出现盲目跟风现象,而且出于风险规避的心理,网民更容易受负面情绪的影响改变自身态度。因此,在探讨元胞间影响作用时,将对正面、负面、中立元胞分别赋予不同的影响权值,通过模拟实验研究不同权重对于舆情演化趋势的影响作用,并着重讨论负面情绪影响权重偏大时网民观点的聚集效应。

3 舆情仿真实验与结果分析

通过仿真实验来模拟舆情发展过程网民情感倾向的变化以及舆情演化趋势,并根据舆情发展态势进一步探讨合理有效的舆情导控策略。

仿真实验通过MATLAB R2018a编程来实现,共分为两大类3组对比实验。第一类是在舆情发展前期暂时没有相关职能部门信息披露和舆情干预情况下,数值模拟舆情演化和发展过程的网络自发舆情传播模拟实验,在这一类实验中设计了2组实验分别讨论元胞初始情感比例以及不同倾向度的影响权重对舆情发展的影响;第二类模拟实验主要讨论不同信息披露时机和导控系数对舆情演化态势的影响。三组实验中元胞的空间大小为100×100。

3.1 实验1 情感初始分布对舆情演化的影响

3.1.1 实验参数设置

为探究不同的初始情感分布对舆情演化的影响,设置不同的初始情感分布进行模拟仿真,元胞的初始情感倾向值为[-1,1]之间的随机分布,本组实验设置元胞的初始情感分布中负面、中立、正面的比例分别为2∶1∶1、1∶2∶1、1∶1∶2,具体的参数设置见表1。

3.1.2 实验1舆情演化示意图

选取元胞空间的初始状态、迭代20次以及50次时的情感倾向演化图为代表进行对照,元胞正面、中立和负面的情感倾向分别用黑色、灰色和白色点来表示,各类情感倾向的分布与演化如图3所示。

表1 实验1参数设置

仿真实验1-1、1-2、1-3迭代50次后,3类情感倾向的元胞在遍历过程中产生的变化曲线如图4中所示。

图3 实验1仿真实验的倾向度转换图Fig.3 Trend conversion graph of simulation of experiment 1

图4 实验1仿真实验的倾向度曲线Fig.4 Trend curve of simulation experiment of experiment 1

3.1.3 实验1仿真结果分析

(1)舆情中观点聚集效应分析

首先从图4中可以看出,情感倾向相同的元胞逐渐聚集,即在交流过程中,情感倾向相同或者相似的人逐渐集中,迭代到50次时,形成了不一样的观点群,这与现实社会中的“人以类聚,物以群分”高度相似。类比到网络群体中,网民将在网上获取的信息与周围网民进行交流,网民的信息不断交互,最终观点相同的个体逐渐集中,形成了舆情中聚集效应。

实验显示,无论初始情感分布如何变化,中立态度的比例在初期小幅的增长后就迅速下降,在舆情发展前期就基本消失。这说明在农产品安全事件的舆情传播过程中,会形成明显的观点两极分化情况,由于信息缺失和认知水平等原因,能够始终保持客观公正态度的民众数量极少。

(2)情感倾向分布对舆情演化的影响

对比实验中,当初始元胞负面、中立、正面的比例为2∶1∶1时,中立和正面元胞的数量在迭代到15次时将近消失,迭代到最后负面元胞占满整个空间。实验1-3的演化趋势图呈现出与实验1-1相同的规律,不同的是迭代到最后为正面元胞占满整个空间。当初始元胞的中立情感倾向居多时,迭代结束后,并没有出现初始时占比大的观点在迭代最后也占比高的现象,而是负面和正面的数量各占50%。这也符合实际舆情的传播,在传播初期虽然大多数网民呈中立态度,但是在群体的讨论后逐渐形成了意见倾向,从而出现情感倾向向两端极化这样的趋势。

上述实验说明,元胞的初始情感比例影响着迭代到最后空间中不同观点的数量以及舆情整体的发展。因此控制舆情传播时的网民初始观点是抑制不良负面情绪持续蔓延和过快增长的有效途径。在舆情的传播过程中,事件在社会中带来的影响决定着网民对于事件的初始态度倾向。因此,相关职能部门应该在农产品舆情发生的初期对该事件进行适时的信息披露和情况说明,减少信息的不对称性和不完整性,提高网民对农产品安全问题的正确认知,避免出现以讹传讹,负面情绪迅速蔓延的不良舆情爆发。

3.2 实验2 影响力权重对舆情演化的影响

3.2.1 实验参数设置

为讨论各类情感态度的相互影响力舆情对舆情演化的影响,设计不同的影响力权值进行模拟仿真。对比实验中分别取3种态度权重相同和负面态度的权重稍大两种设置。因此,在等权的基础上加入随机的微小扰动,分别取权值w正、w负分别为区间(0.330,0.335)和(0.345,0.350)上的随机数,w中=1-w负-w正,具体的实验参数见表2。

表2 实验2参数设置

3.2.2 实验2舆情演化示意图

元胞空间中各元胞初始倾向度状态如图5(a)所示,其中将元胞的情感倾向分为正面、中立和负面,图5中分别用黑色、灰色和白色的点表示。选取遍历20次以及趋于稳定时的元胞倾向度转化图为代表,其元胞情感倾向度的转换和舆情演化如图5所示。

仿真实验2-1、2-2迭代50次后,3种倾向的元胞的在遍历过程中产生的倾向度曲线如图6所示。

图5 实验2仿真实验的倾向度转换图Fig.5 Trend conversion graph of simulation experiment of experiment 2

图6 实验2仿真实验的倾向度曲线Fig.6 Trend curve of simulation experiment of experiment 2

3.2.3 实验2仿真结果分析

首先,在无监督网络自发舆情传播的情况下,最终都会呈现正面、负面两种态度的集聚效应,出现两种对立态度对持状态;中立态度比例在舆情酝酿阶段有小幅的上升,说明在舆情初期小部分网民基于客观公正的认识表现出中立的态度,但这部分网民往往不热衷于发表评论和转发,同时部分还可能受到其他网民的影响而转变态度,所以在两个实验中立态度的比例都在迭代10次左右就急剧下降到零。

对比实验还表明,当负面态度影响权值略微大于其他两种时就会对其他元胞态度转变产生显著的影响,使得网络中负面态度比例持续增长,后期将出现负面态度的聚合现象。模拟实验揭示出农产品安全事件中,由于健康风险规避意识以及盲从和从众等心理,网民中的负面情绪更容易传播和扩散,如果没有适当的信息披露和舆论干预,容易造成社会恐慌等不良影响。在实际应用案例分析中,可通过情感态度影响权值的适当调整和设置,使得模拟实验数据与实际统计数据更加吻合,更好地体现具体事件舆情发展的势态。

3.3 实验3 舆情导控策略分析

舆情导控策略主要通过信息披露和舆情监管来实现,需要根据舆情发展态势选择合理的舆情干预时机和干预的力度。通过仿真实验探讨合理的舆情导控系数和舆情干预时间。

3.3.1 实验参数设置

根据舆情演化迭代过程,将舆情导控时机分为前期和中期两种,分别在迭代第9次和第17次时介入。导控系数γ越接近1,导控强度越大,因此在设计实验时,分别观察γ为0.55和0.40两种情况下对于舆情演化的影响。设置导控介入前元胞影响权值α=β=0.5,3种态度的影响权重与第2组相同。参数S导控对舆情的演变有很大影响,本部分以S导控=0.5为例进行探讨,并且在导控介入后,3种态度的影响权重发生改变,具体的实验参数见表3。

3.3.2 实验3舆情演化示意图

元胞空间中各元胞初始倾向度状态与实验1、实验2相同。这一组实验的元胞情感倾向度的分布以及舆情演化如图7所示。

仿真实验3-1~3-4迭代50次后,3种倾向的元胞的在遍历过程中产生的倾向度曲线如图8所示。

表3 实验3参数设置

图7 实验3仿真实验的倾向度转换图Fig.7 Trend conversion graph of simulation experiment of experiment 3

3.3.3 实验3仿真结果分析

(1)舆情演化趋势分析

仿真实验表明,无论舆情干预的时机和导控系数如何变化,负面情绪的元胞数量都出现不同程度的下降。尽管在不同监管力度情况下,各类情感比例的曲线变化过程有明显区别,但总体变化趋势具有一致性,中立、正面的比例有不同程度的增加,迭代结束时,没有出现负面情感集聚的不良情况,说明职能部门舆情导控的有效性。

对比不同的导控策略的舆情演化结果,当在舆情发展前期进行干预并设置导控系数为0.55时,负面情绪的元胞数量在将迅速下降,迭代22次时完全转换为中立、或正面情感倾向,舆情后期负面情绪将基本消失;若干预时机改为舆情中期,三种情感倾向的元胞数变化速度明显趋缓[见图8(b)],正面和中立态度的数量将在很长一段时间内保持基本不变,但最终还是会出现正面情感占优的状态。

图8 仿真实验的倾向度曲线Fig.8 Trend curve of simulation experiment

降低导控系数到0.4时,实验3-3到演化迭代结束仍存在着20%负面倾向的元胞,实验3-4在迭代结束时正面倾向的元胞仅占比40%。

当信息干预都为前期时,对比实验3-1和实验3-3的仿真结果可以看出,不同导控系数在最后迭代时正面态度占比以及3种情绪的元胞的改变速度都不同,导控系数越大,转变越迅速,正面倾向的元胞占比越高。当在后期加入干预时,由图8(b)、图8(d)可以看出,导控系数较小时,迭代结束时正面情绪的元胞占比也相应的小。

(2)导控系数和干预时机对舆情演化的影响

上述对比实验说明,导控系数和舆情干预时机对舆情的发展态势和演化规律有着显著的影响。在舆情发展的前期通过适当的信息披露和舆论引导,能够快速有效的引地网民从盲目跟风或以讹传讹的不良情绪向客观、公正的方向转变,有效避免负面情绪的持续蔓延和网络舆情的爆发,维护社会安定。因此相关职能部门应加强对网络舆情的监测和监管,结合农产品安全问题的实际情况,及时有效地发现潜在或正在酝酿的相关网络舆情动态,持续跟踪和监测舆情发展态势和扩散规模,必要时在恰当的时机进行相关信息的披露和权威认证,提高信息透明度和公开性,有效引导网络舆情向客观、公正的方向发展,避免不良网络舆情造成的社会恐慌和产业损害。

4 “非洲猪瘟”事件网络舆情实证分析

4.1 舆情事件概述

从发现“非洲猪瘟”疫情起就引起了广大网民的恐慌,并对市场上销售的猪肉安全问题产生了极大的怀疑,猪肉及其加工品的销售量急剧下降,对中国的养猪业造成了巨大的经济损失。该事件发展的情况如表4所示。

表4 “非洲猪瘟”事件初期发展历程

4.2 数据收集与整理

研究选取新浪微博中“头条新闻”“新浪新闻”“中国新闻网”“人民日报”“央视新闻”这5个自媒体发布的相关新闻下的评论作为数据研究的样本,并将评论内容分为正面、中立、反对3种态度,收集每天的3种态度的比值,事件选取的时间为2018年8月3日—12月31日,共收集到评论19 215条,将评论数过少的天合并,其中有效评论为14 316条,天数为32天。

将评论中包含不传染人、没有伤害、不造谣、无害化处理、安心、赞扬、有效控制等含有正向意义的词语定义为正面评论;将含有不吃猪肉、病毒变异、失望、不舒服等关键词的评论定义为负面倾向,其余含有观望、可怜、关注、围观、补偿等关键词的评论定义为中立倾向。经过分类统计,“非洲猪瘟事件”网民的初始态度比为正面:负面:中立=0.21∶0.42∶0.37。其中一周的态度数据的统计值如表5所示。同时,事件发生后,中国农业部在舆情发生的第7天左右报道了疫情得到有效控制并对网民进行科普,对舆情进行干预。

表5 “非洲猪瘟”事件的网民态度数据

4.3 舆情实验仿真

调节构造的CA模型的各项参数,使拟合的曲线与事件实际的曲线尽可能吻合,根据收集到的数据,设置仿真迭代次数为32,元胞的初始态度比例为正面∶负面∶中立=0.21∶0.42∶0.37,其中干预介入时间为迭代第7次,并且干预带来的效果在迭代第23次减弱,经多次调参后参数的具体设置如表6所示。

表6 具体实验参数设置

随着事件的继续发酵,在迭代到23次时,干预系数减弱到初始的一半,3种态度的权重与干预介入前相同,这也说明了在事件的传播中,职能部门的干预效果会逐渐减弱,因此要持续的关注事件的传播进程,仿真曲线与实际数据的对比如图9所示,其中用实线、虚线和点线分别表示实际事件中每天网民的负面、中立、正面3中态度所占的比例,星号实线、正方形实线以及圆形实线表示模拟的曲线。

图9 模拟与实际曲线Fig.9 Analog and actual curves

4.4 拟合误差分析

决定系数又称为拟合优度,可以用来衡量仿真曲线和实际的观测值之间的拟合效果,因此本文通过计算决定系数(R2)来计算仿真曲线与实际曲线的拟合效果,其中决定系数的计算公式为

(3)

决定系数越接近1,模型的拟合效果越好,越接近0,模型的拟合效果越差,其中当R2大于0.8时,表示仿真曲线与实际曲线在误差范围内认为是拟合有效的。通过计算,负面态度的决定系数为0.979,中立态度的决定系数为0.843,正面态度的决定系数为0.917。因此,模型仿真数据实现了对实测数据的高度拟合,说明舆情演化模型的有效性。

4.5 仿真结果评价

通过以上的分析,在实际案例数据的支撑下,调整构造的农产品网络舆情传播模型的相关参数,仿真曲线与实际曲线的误差在可接受范围内,模型的拟合是有效的。图9与图8(d)具有高度的相似性,说明职能部门的信息披露发挥了良好的舆情引导作用,在一定时期内能够引导该事件网络舆情向客观、公正的方向发展。但值得注意的是,该事件是一个不断有新疫情出现的过程,相应的网络舆情也会随着事件的发展而变化。随着事件不断出现的新情况,前期信息披露和舆论干预产生的效果会逐渐衰减,新的舆情高潮可能再次。因此职能部门应该时刻关注网络舆情走势,及时向网民公布事件最新动态,并对该事件相关知识进行科普教育和宣传,引导舆情向客观、公正的方向发展,维护社会安定秩序。

5 结论与建议

针对农产品安全网络舆情这一关乎民众健康和社会安定的重大问题,采用元胞自动机方法构建了舆情演化模型分析和探讨这一类网络舆情的规律和特点。基于对农产品安全事件及参与网民心理特点等的剖析,对元胞邻域结构、状态转移函数及演化规则进行了适当的改进,并通过仿真实验重点讨论了元胞情感倾向度、初始情感比例以及邻域元胞影响规则等重要因素对舆情演化规律的影响作用,在对比实验中揭示和发现农产品网络舆情的传播特征和演化规律。

在此基础上,通过在状态转移函数中嵌入导控因子,对比分析了在无监督和有监督的不同情形下网络舆情发展的特点和趋势,量化分析了相关职能部门对农产品安全事件的信息披露对舆情扩散的导控作用,分析了导控系数及信息干预时机对舆情发展态势和演化规律的影响作用。

通过模型构建和大量仿真实验,可以得到以下主要结论。

(1)在舆情传播过程中,元胞初始情感倾向的比例对空间中不同观点的数量有显著的影响,控制舆情传播时的网民初始观点是抑制不良负面情绪持续蔓延和过快增长的有效途径。因此,相关职能部门应该在农产品舆情发生的初期对该事件进行适时的信息披露和情况说明,减少信息的不对称性和不完整性,提高网民对农产品安全问题的正确认知,避免出现以讹传讹,负面情绪迅速蔓延的不良舆情暴发。

(2)由于农产品安全事件的信息不对称性和不完整性,绝大多数民众具有风险规避和跟风的心理,使得负面情绪在此类事件的网络传播中具有相对较强的影响力和传染力。在无监督无信息披露的情况下,负面情绪将迅速蔓延,其所占比例随着舆情扩散持续增长,在舆情发展中后期,负面情绪将形成明显的观点聚集现象并占据统治地位,出现羊群效应,容易引发社会恐慌等不良影响。

(3)相关职能部门进行实时的网络舆情监控,在适当的时机进行必要的信息披露和政府监管,能够有效地遏制信息不对称性造成以讹传讹的现象,提高网民对农产品安全问题的正确认知,避免负面情绪迅速蔓延,有助于控制网络舆情发展态势,引导舆论向客观、公正的方向发展,避免造成社会恐慌和产业损害。

最后,针对中国近期发生的“非洲猪瘟”事件进行实际案例分析。结果表明,所构建舆情传播模型实现了该事件舆情演化过程的高度拟合,证实了该模型的有效性。通过仿真实验剖析了该舆情事件中各项关键因素的影响作用,量化分析了信息披露与导控策略对该事件舆情发展趋势的引导作用。

研究成果将有助于进一步揭示农产品安全事件网络舆情的特点,发现这一类事件网络舆情发展的基本规律和演化趋势,并为相关职能部门进行合理的舆情监管和舆情导控提供科学的参考。

猜你喜欢

元胞负面舆情
基于元胞机技术的碎冰模型构建优化方法
媒体负面报道与扭亏绩效:信息传递还是监督治理?
基于元胞自动机的网络负面舆论传播规律及引导策略研究
基于元胞自动机下的交通事故路段仿真
基于元胞自动机下的交通事故路段仿真
正面的人和负面的人
数字舆情
数字舆情
消费舆情
基于元胞数据的多维数据传递机制