摘 要：[目的/意義]采用當前方法分析網絡輿情危機演變特征時，無法明確網絡輿情傳播過程中演變特征影響因素之間的因果關系，導致分析結果的灰色關聯度低、小誤差概率小、均方差比大，因此研究了網絡輿情危機演變特征及其預警方案創新方法，采用系統動力學對網絡輿情危機演變變量和影響因素進行仿真和建模，獲取網絡輿情危機演變的主要影響因素，結合網絡輿情傳播熱度與各因素之間的因果關系分析網絡輿情傳播系統。[方法/過程]結合Verhulst模型和灰色理論模型構建灰色Verhulst預測模型，根據各影響因素之間存在的因果關系分析網絡輿情危機演變特征，根據分析結果提出構建信息匯集分析機制、預警機制、信息發布機制和引導機制的預警方案。[結果/結論]實驗結果表明，采用所提方法分析網絡輿情危機演變特征時，分析結果的灰色關聯度高、小誤差概率大、均方差比小。

　　關鍵詞：網絡輿情危機;演變特征;灰色Verhulst預測模型;預警方案

　　我國經濟結構在社會轉型期間發生了較大變化，使得社會生活逐步趨向多元化和復雜化[1]。在此期間一些矛盾逐漸暴露在社會大眾面前，在表達渠道多樣化的情況下，開始在網絡平臺中反映各種社會問題。分析代表性較強的公共事件可知，民意表達空間隨著社會的進步不斷擴展，群體性事件的出現往往會促進網絡輿情的演變，已經成為一種比較突出的社會問題，部分不良事件對構建社會主義和諧社會產生了不利影響[2]。網絡的開放性是造成上述問題的主要原因，在網絡的支持下局部突發事件的擴散速度提升，影響力增強，經過一段時間的發展會逐漸演變成全國性的公共事件，因此群體事件與網絡輿情之間存在的因果關系問題逐漸突出。隨著網絡輿情的不斷演化，會對社會輿情的走向產生影響，對公共決策和政府運行機制產生一定制約[3]。為了降低網絡輿情對社會產生的負面影響，需要研究網絡輿情危機演變特征，提出相關預警方案。

　　蔣知義等[4]提出基于情感傾向性分析的網絡輿情危機演變特征研究方法，該方法在情感分類詞典的基礎上建立情感傾向分析模型，利用該模型對網絡輿情的情感類型和情感性強度進行統計，根據統計結果劃分網絡輿情演化階段，實現網絡輿情危機特征分析，該方法沒有分析網絡輿情危機影響因素之間存在的關系，導致分析結果的灰色關聯度低、小誤差概率小。杜洪濤等[5]提出基于多案例的網絡輿情危機演變特征研究方法，該方法在生命周期理論的基礎上將網絡輿情危機演變過程劃分為3個階段，分別是擴散階段、高潮階段和消散階段，將輿情事件分為非自然突發事件和自然突發事件，分析不同階段不同案例的傳播路徑和表現情況，確定演化特征之間存在的聯系和區別，獲得影響網絡輿情危機演化的影響因素，最后總結了網絡輿情危機演變特征的變化規律，該方法在網絡輿情危機演變過程中無法獲取影響因素之間的因果關系，導致均方差比較大。

　　綜上所述，提出網絡輿情危機演變特征及其預警方案創新研究方法。

　　1 網絡輿情演化動力學分析

　　網絡輿情的演變過程主要受以下因素的影響：

　　1)網絡事件自身具有的破壞力。

　　2)網絡輿情傳播的推動力，包括媒體推動力和網民推動力。

　　3)社會組織或政府組織的調控力。

　　由于網絡輿情危機演變動力影響因素的作用方式之間存在差異，可以將影響因素分為兩類[6]，如圖1所示。

　　圖1 外源動力和內源動力

　　網絡輿情危機演變動力關鍵構成變量如圖2所示。

　　利用系統動力學對上述變量進行仿真和建模，獲取網絡輿情危機演變的主要影響因素。

　　對系統內部因素關系進行考慮，結合網絡輿情傳播熱度與各影響因素之間存在的因果關系分析網絡輿情傳播系統。系統由3個以上變量構成反饋環，反饋環屬于一個因果閉合環路或關系鏈[7]。如果因果在正反饋環中增加，結果就會高于原始程度，如果因果在正反饋環中減少，結果就會低于原始高度。如果因果在負反饋環中增加，結果就會低于原始程度，如果因果在負反饋環中減少，結果就會高于原始程度。正反饋環和負反饋環之間存在相互作用，使得不同時期網絡輿情熱度與系統狀態具有一致性[8]。

　　2 網絡輿情危機演變特征研究

　　本文利用灰色Verhulst預測模型對網絡輿情危機演變特征進行研究，灰色Verhulst預測模型結合了Verhulst模型和灰色理論模型的優點，可以實現產品經濟壽命預測、人口預測、繁殖預測和生物生長預測等，被廣泛地應用在生產生活中[9]。

　　3 實驗結果與分析

　　為了驗證所提方法的整體有效性，在Visual C++開發的TTE網絡平臺中對所提方法進行測試。

　　本文通過集搜客GooSeeker網絡爬蟲軟件對2019年不同平臺的網絡輿情熱點事件進行抽取，如《啥是佩奇》爆紅網絡、吳秀波出軌門事件、孫楠送娃讀“女德班”事件、河南女子醉駕瑪莎拉蒂致死傷、杭州女童被租客帶走等多個研究案例作為數據基礎。采集自網絡輿情事件發生當天起25天之內的輿情傳播數據，并以此為基礎進行網絡輿情危機演變特征提取。限于篇幅，以吳秀波出軌門事件為例，采集網易新聞、騰訊新聞、百度新聞、新浪微博與天涯論壇5個網絡輿情傳播平臺的數據，并對數據采集結果進行整理與分析。具體的數據采集結果如表1所示。

　　在上述數據的支持下，灰色關聯度γ、小誤差概率P和均方差比C作為測試指標，對所提方法、文獻[4]方法和文獻[5]方法進行測試，測試指標的計算公式分別如下：

　　式中，δ(k)代表的是關聯系數;Δ(0)(k)代表的是絕對誤差序列;(0)為Δ(0)(k)對應的均值;S2為Δ(0)(k)對應的方差。

　　灰色關聯度越高表明方法分析的網絡輿情危機演變特征變化越準確，3種方法的灰色關聯度測試結果如圖3所示。

　　分析圖3可知，文獻[4]方法的灰色關聯度在22%～25%之間，文獻[5]方法的灰色關聯度在23%～27%之間，而所提方法的灰色關聯度在36%～42%之間，是3種方法中最高的，所以該方法的網絡輿情危機演變特征變化分析精度要高于其他實驗方法。

　　小誤差概率越小，表明方法在網絡輿情危機演變過程中對演變特征分析的結果誤差越大，則3種方法的小誤差概率比較結果如圖4所示。

　　由圖4可知，文獻[4]方法的小誤差概率在46%～59%范圍內變化，文獻[5]方法的小誤差概率在42%～46%范圍內變化，而所提方法的小誤差概率在78%～95%范圍內變化，說明所提方法的小誤差概率遠遠高于其他實驗方法，證明該方法的網絡輿情演變特征分析的結果誤差較小。

　　推薦閱讀：論文網絡首發和正式見刊哪個認可度高