公共危机舆情影响趋势预测.doc

公共危机事件网络舆情影响趋势预测及其应对策略研究摘要：当前我国正处于突发事件的高发期和社会的转型期，随着网络的日益普及，网络逐渐成为广大民众展现情绪、表达民意的公共话语空间，进而引出的是公共危机事件网络舆情，这是社会政治生活领域里出现的新问题。若网络舆情未合理引导，则在较大程度上会引发公共危机，危害社会稳定和经济发展。所谓预警就是指对某一警情的现状和未来进行测度，预报不正常状态的时空范围和危害程度，以及提出防范措施。本文采用SPSS数据分析软件对原始数据进行分析与聚类，归纳出网络舆情发展的不同种类。通过对每类事件网络舆情发展趋势的分析，找出规律。在此基础上应用matlab软件建立预测模型，依据灰色理论，建立预测模型，该模型是微分回归分析的一个特例，以指数形式为基础，以一次累加数据作为原始数据，以初始观测值为准确定积分常数。本文采用此法将杂乱无章数据列进行整理、生成，将空缺的数据通过计算加以补充，用其所整理过的数据列建立模型并通过它进行决策和预测，将结构、关系、机制不清楚的网络舆情过程作灰色预测以进行提前控制。关键词：网络舆情；灰色理论；预测模型；预警。1问题重述公共危机或突发性群体事件是由临时的、自发的同类个体组成的整体，由于某种共同要求，造成对社会具有不平常影响的事情，其从发酵到爆发都伴随相关信息传播活动。而网络信息传播是指民众以网络为平台，借助网络论坛(BBS)、网络聊天(Chatting)、博客(Blog)、维客(Wiki)、电子邮件(E-mail)及网络新闻组(Usernet News)等网络渠道，围绕即将发生或已发生的群体性事件发布信息。当传播途径从传统渠道向互联网等途径转移后，出现了流言广泛传播，难以实施有效控制或澄清；舆情信息传播速度快、范围广、影响大；信息交流呈现非理性化、情绪化倾向的新特征。网络舆情是群体性事件发展演变的一个重要因素，它常直接引发或间接推动群体性事件的恶性发展。人民网舆情监测室7月份首次发布了2009年上半年地方应对网络舆情能力排行榜，湖北石首市政府被研判为应对严重失当，存在重大缺陷，而湖北巴东县政府则被判为表示政府应对存在明显问题，处倒数一、二位。由此可见，如何迅速了解和把握网络的脉搏，及时回应公众疑问、如何依法依规向民众提供最新最快最全的真实信息、引导舆论、掌握主动、消除谣言和误解，这是当前各级权力机关面临的重大课题。 目前已有诸多学者开始研究探讨突发群体事件舆情信息传播规律。但是很多都是基于传统人文领域的研究方法，只能对信息网络传播的过程和个体交互的机制给出描述，从定性的角度分析总结突发群体性事件的信息网络传播的成因、流程、规律，无法进行定量的研究，没有研究信息网络传播本身的特征对突发群件性事件的影响，无法准确分析信息网络传播的时机、事件因素的影响权重、传播方式与途径，也没有对信息网络传播的演化过程进行仿真研究。 突发性公共危机事件涉及面非常广，具有非常强烈的群体性，网络舆情与突发性公共危机事件的作用机制研究对事件的应对和有效应急管理具有重要意义；同时，网络舆情具有互联网背景，其采集、分析方法对网络舆情与突发性公共危机事件的作用机制研究具有重要作用。因此，在复杂的网络环境下，从理论上解释公共事件舆情信息网络传播的形成过程和传播的机制，掌握舆情信息网络传播规律，控制事件的发展, 结合危机处理的一般方法，对认识、预测和引导事件的发生发展，有着重要的理论意义和现实意义。结合研究的背景,在本研究中有以下几个科学问题：(1) 如何对突发性公共危机事件网络舆情态势演化规律和影响因素进行深层次解构和剖析。 突发性公共危机事件网络舆情演化态势研究的目的就是在确定突发性公共危机事件网络影响力的基础上，对有限的资源进行合理的优化和高效的调度，从而提高对突发性公共危机事件的应对、处置能力,以免事态恶化或形成次生事件。在这种背景之下,政府或相关处置机构需要对突发性公共危机事件网络舆情演化态势路径、规律、形成原因进行准确、清晰的把握和认知，才可能对突发性公共危机事件网络舆情进行有效引导和调控。所以,如何分析突发性公共危机事件网络舆情态势演化所涉及的主体、变量、以及变量之间的相互作用关系进行呈现,如何通过系统分析和系统建模仿真出突发性公共危机事件网络舆情态势演化规律是本研究要解决的科学问题之一。(2) 如何对突发性公共危机事件网络舆情态势涨落进行实时预警? 预警在复杂多变的突发性公共危机事件应对中是尤为重要的一环。预警的具体过程是：在灾害或危险发生之前，根据以往的的经验所总结出来的规律，或者通过检测发现可能性前，,从而向相关部门发出警报，报告可能存在危险的情况,以此避免危害在不知情或者准备不足的的情况下发牛,通过预警能够最大程度地减低灾害或风险所造成的损失。网络舆情热度预警的目标就是要在借助先前经验的基础上,对舆情走势进行实时、动态的监控,确保在第一时间对舆情所处态势的可能性进行预警，以便相关部门对舆情处置、引导作出准确判断。2、网络舆情模型建模分析通过对大量舆情事件的研究，分析突发事件的新闻媒体的报道规律，可以发现突发事件的网络舆情的新闻报道的演变模式，对网络舆情的传播趋势有了一个初步的探索。将统计的数据以发生的时间为横坐标，以网络媒体对该突发事件的新闻报道量为纵坐标，通过描点得出以下几种基本的图形，可以用来探索突发事件网络舆情的传播趋势。通过研究它的传播趋势，我们可以在以后类似的突发事件发生后，对照现有的图形，来调整对危机处理的方法和力度，从而达到更快更好地处理危机和引导网络舆情。（1）一次高点型事件指突发事件发生后，最开始新闻报道数量很少，随着时间的推移，报道数量越来越多，到达一个峰值后，出现一个拐点，报道数量变少，转向趋少阶段，最后关于此突发事件的新闻报道量趋于零。如图所示：这类突发事件网络舆情的传播趋势的特征是：突发事件发生后，由于影响范围很小，人们关注度不高，网络媒体的新闻报道量很少，突发事件的公共危机需要很长时间的酝酿期，随着影响范围越来越大，人们的关注度越来越高，新闻媒体的报道量会逐渐增多，在一个时间点媒体的报道量会达到一个峰值，如果政府对危机处理恰当，峰值很快就会过去，此时会出现一个拐点，人们关注度降低，网络媒体的报道量逐渐减少，最后趋于零。（2）两次或多次高点型事件是指突发事件发生后，最开始新闻报道数量很少，随着时间的推移，由于本身这个事件具有强大的信息量，很快引起很多媒体的关注，大量的新闻媒体开始报道，报道数量呈爆炸式增长，很快到达一个峰值后，出现一个拐点，报道数量变少，转向趋少阶段，但是在突发事件的演变进程中，如果网络舆论的公共危机处理得不好的话，危机事件暂时平息后由于出现新的刺激点，使得人们重新高度关注，网络媒体的报道量又开始重新增长，经过一段时候后又得以平息，在最后关于此突发事件的新闻报道量趋于零。这类突发事件网络舆情的传播趋势是：突发事件发生后，开始只是少量媒体报道，但是爆发非常迅速，很快就引起人们的关注，网络媒体的报道量飞速达到一个峰值，如果政府对危机处理恰当，峰值很快就会过去，此时会出现一个拐点，人们关注度降低，网络媒体的报道量逐渐减少，但是在突发事件的演变进程中，如果网络舆论的公共危机处理得不好的话，危机事件暂时平息后由于出现新的刺激点，使得人们重新高度关注，网络媒体的报道量又开始重新增长，经过一段时候后又逐步平息下来。3、网络舆情发展趋势模型建立运用SPSS对2011年第二季度网络舆情和微博问政报告中的24个热点事件进行初步的描述性分析。描述结果如下：所有网络舆情的频数均符合正态分布。进一步选取每组数据运用不同的函数进行拟合，以双汇万人大会为例，结果如下：双汇万人大会倒数模型汇总RR 方调整 R 方估计值的标准误.227.052-.067226.581ANOVA平方和df均方FSig.回归22318.995122318.995.435.528残差410711.905851338.988总计433030.9009系数未标准化系数标准化系数B标准误BetatSig.1 / 时间点179.606272.400.227.659.528（常数）87.294107.236.814.439二次模型汇总RR 方调整 R 方估计值的标准误.578.334.144202.978ANOVA平方和df均方FSig.回归144630.217272315.1081.755.241残差288400.683741200.098总计433030.9009系数未标准化系数标准化系数B标准误BetatSig.时间点-34.54599.705-.477-.346.739时间点 * 2-.6638.833-.103-.075.942（常数）355.417238.7331.489.180三次模型汇总RR 方调整 R 方估计值的标准误.725.526.289184.896ANOVA平方和df均方FSig.回归227910.678375970.2262.222.186残差205120.222634186.704总计433030.9009系数未标准化系数标准化系数B标准误BetatSig.时间点360.605268.9724.9771.341.229时间点 * 2-86.33955.480-13.451-1.556.171时间点 * 35.1933.3278.1371.561.170（常数）-90.100358.845-.251.810各函数模型拟合后图像如下：由图可知，上述函数对双汇万人大会该网络舆情的拟合度均较低。3.1 一次高点型网络舆情事件发展趋势模型建立采用探索性分析，选择一次高点型网络舆情事件，对数据处理，建模结果如下：TSPLOT VARIABLES =双汇万人大会/ID=天数 /NOLOG /FORMAT NOFILL NOREFERENCE.模型描述模型名称MOD_1序列或顺序1双汇万人大会转换无非季节性差分0季节性差分0季节性期间的长度无周期性水平轴标签天数干预开始无参考线无曲线下方的区域未填充个案处理摘要双汇万人大会序列或顺序长度11图中的缺失值数用户缺失0系统缺失1由上图可知，所用模型对双汇万人大会网络舆情事件拟合度较好。3.2二次高点型网络舆情事件发展趋势模型建立对二次高点型网络舆情事件，对数据处理，建模结果如下：序列图. VARIABLES=陈光标慈善注水 /ID=天数 /NOLOG /FORMAT NOFILL NOREFERENCE.模型描述模型名称MOD_10序列或顺序1陈光标慈善注水转换无非季节性差分0季节性差分0季节性期间的长度无周期性水平轴标签天数干预开始无参考线无曲线下方的区域未填充个案处理摘要陈光标慈善注水序列或顺序长度11图中的缺失值数用户缺失0系统缺失13.3多次高点型网络舆情事件发展趋势模型建立对多次高点型网络舆情事件，对数据处理，建模结果如下：TSPLOT VARIABLES=锋芝离婚 /ID=天数 /NOLOG /FORMAT NOFILL NOREFERENCE.模型描述模型名称MOD_22序列或顺序1锋芝离婚转换无非季节性差分0季节性差分0季节性期间的长度无周期性水平轴标签天数干预开始无参考线无曲线下方的区域未填充个案处理摘要锋芝离婚序列或顺序长度11图中的缺失值数用户缺失0系统缺失13.4网络舆情发展趋势模型验证由上述三种发展趋势建立的模型对24个热点事件发展趋势进行验证，得到如下结果：4、网络舆情预警模型假设灰色预测模型（Gray Forecast Model）是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。当我们应用运筹学的思想方法解决实际问题，制定发展战略和政策、进行重大问题的决策时，都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律，借助于科学的方法对其未来的发展趋势和状况进行描述和分析，并形成科学的假设和判断。基于灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论.灰色预测是对灰色系统所做的预测.目前常用的一些预测方法（如回归分析等），需要较大的样本。若样本精度高，在各种预测领域都有着广泛的应用，是处理小样本预测问题的有效工具。通过下一章的的数据分析、处理过程，我们将了解到，有了一个时间数据序列后，如何建立一个基于模型的灰色预测。对应于实际生活中的真实情况就是：当一个公共危机舆情事件发生后，我们可以就前几天所统计的少量的信息，来预测该舆情事件的走势。并作出相应的预警措施。假设这几天的数据直观上都成总体上升趋势，但由于数量太少，我们无法看出该舆情时间将来的具体走势，这种情况就适用于使用我们所建立的预测模型。式中为原始数据，即不同时间所对应的词频数。前一章的分析，我们可以看出，无论是一次高点事件，是二次高点事件，还是多次高点事件，在公共危机事件网络舆情爆发之前都会有一段潜伏期和扩散前期。如果我们能在扩散期到来之前对网络舆情发展走势进行一个预测，并采取预警机制进行干预控制，提前采取应对措施，有的放矢，就能有效进行网络舆情的控制，主导危机事件网络信息传播，引导网络舆情平稳过渡。5、网络舆情预警模型建立本文针对扩散期到来之前的一段时间内网络舆情发展趋势在灰色理论基础上建立一个预测模型。该模型是微分回归分析的一个特例，以指数形式为基础，以一次累加数据作为原始数据，以初始观测值为准确定积分常数。该法将杂乱无章数据列进行整理、生成，将空缺的数据通过计算加以补充，用其所整理过的数据列建立模型并通过它进行决策和预测，将结构、关系、机制不清楚的对象、过程、系统作灰色预测以进行提前控制，建立 GM( 1，1) 模型步骤如下：第一步：对数据列做一次累加生成，得到，式中。第二步：做一个累加矩阵B与常数向量Yn，即：第三步：最小二乘法解灰参数，第四步：将灰参数带入时间函数第五步：对，或第六步：。第七步：模型诊断及应用模型进行预报。6、网络舆情预警模型求解本文采用2011年第二季度以行文词频度为指标的舆情事件统计数据位基础，利用matlab软件对以上所建立的预测模型进行拟合与验证。以“塑化剂”事件为例，如引入参数词频数，确定最终的模型。以下为参数输入：输入“塑化剂”事件中的任意几组词频数数据。x=0 21 100 258 857 79 826 1530; gml(x)以下为输出结果： 一次模拟得到的公式ans =x1(t+1)=144.8114exp(0.45534t)+(-144.8114)二次模拟得到的公式ans =x1(t+1)=157.1753exp(0.45534t)+(-156.6238)一次模拟预测值：x31fcast =1.0e+003 * 0 0.0835 0.1317 0.2076 0.3273 0.5161 0.8138 1.2831 2.0230二次模拟预测值：x41fcast =1.0e+003 * 0 0 0.2341 0.4595 0.8147 1.3749 2.2582 3.6508 5.8466s1total =0s2total =0Cval =1.5244pnum =0pval =0At =1.5688（其中At是所计算的最后两个点之间的变化率。）图5.1是利用该软建立模型后输出的预测图像，以天为时间间隔。图5.1灰色理论预测模型输出图7、模型检验从中可以看出预测值与真实值的拟合情况，从前八天的拟合情况来看，预测值与真实值是比较接近的。并且此模型能够预测出所输入天数后一天（此例即第九天）的词频数，用于网络舆情走势的预测。本论文所采取的预警的思路是：根据模型输出的预测值与预测值前一个点之间的斜率来判断网络舆情发展的走势。对2011年第二季度所有的舆情事件中词频变化率最大值进行统计，利用一定数学方法求出一个词频变化率的阈值，并且用这个阈值为是否进行预警的评判标准。首先要先计算出预测点与前一个点之间的词频变化率，若该变化率大于前面所求得的阈值，我们就预测该网络舆情事件将要进入扩散期，必须采取预警机制，采用一定的措施，引导网络舆情平稳过渡；若该变化率小于阈值，判定该词频数值所对应的时间点还处在潜伏期，我们要对其进行控制，避免网络舆情向扩散期发展。以下截图为以2011年第二季度所有舆情事件相关词频量的统计和最大词频变化率的计算。此处，我们将变化率换算成其所对应的弧度，方便比较。以其平均值作为阈值a,a=1.5669。我们所求的“塑化剂”事件的预测点与其前一点间的词频变化率为At =1.5688。该值是超过阈值a。说明，在“塑化剂”事件中，第八天的时候，该舆情事件已经进入了扩散期了。从前一张分析也可以看出，虽然“塑化剂”事件属于多次高点型事件，但在前八天的事件内总体走势还是上升的，且第九天确实属于第二次高点到来前的扩散期。由此可见，预测模型能够很好的印证实际数据。7、模型评价此模型能够较好的预测舆情事件的大体走势。其特点有：（1） 用灰色数学处理不确定量，使之量化。（2） 充分利用已知信息寻求系统的运动规律.（3） 能处理贫信息系统。但是本模型所应用的实际数据较少，存在偶然性，模型的精度有待提高。8、参考文献1 童亚拉.突发群体性事件网络舆情信息传播复杂网络预测模型分析J.微型电脑应用.2011,7(1):28-39.2张一文. 突发性公共危机事件与网络舆情作用机制研究D.北京邮电大学,2012.3程倩. 网络舆情模型构建与网民分析D.郑州大学,2011.4施妮. 网络舆情对突发事件演变进程的影响及应对策略研究D.清华大学,2011.5周健,刘占才. 基于 GM(1，1) 预测模型的兰州市生态安全预警与调控研究J.干旱区域资源与环境.2011,25(1):15-19.附录：1. matlab编程代码编程实现过程：%二次拟合预测GM（1,1）模型function gmcal=gml(x)sizexd2=size(x,2);%求数组长度k=0;for y1=x k=k+1; if k1 x1(k)=x1(k-1)+x(k); %累加生成 z1(k-1)=-0.5*(x1(k)+x1(k-1); %z1维数减1，用于计算B yn1(k-1)=x(k); else x1(k)=x(k); endendsizez1=size(z1,2);z2=z1;z3=ones(1,sizez1);YN=yn1;%转置B=z2 z3;au0=inv(B*B)*B*YN;au=au0;afor=au(1);ufor=au(2);ua=au(2)./au(1);%输出预测的au和u/a的值constant1=x(1)-ua;afor1=-afor;x1t1=x1(t+1);estr=exp;tstr=t;leftbra=(;rightbra=);strcat(x1t1,=,num2str(constant1),estr,leftbra,num2str(afor1),tstr,rightbra,+,leftbra,num2str(ua),rightbra)k2=0;%输出时间响应方程%二次拟合for y2=x1 k2=k2+1; if k2k else zel(k2)=exp(-(k2-1)*afor); endendsizezel=size(zel,2);z4=ones(1,sizezel);G=zel z4;X1=x1;au20=inv(G*G)*G*X1;au2=au20;Ava1=au2(1);Bva1=au2(2);%输出预测的A，B的值strcat(x1t1,=,num2str(Ava1),estr,leftbra,num2str(afor1),tstr,rightbra,+,leftbra,num2str(Bva1),rightbra)nfinal=sizexd2-1+1;%输出时间响应方程for k3=1:nfinal x3fcast(k3)=constant1*exp(afor1*k3)+ua;end%一次拟合累加值for k31=nfinal:-1:0 if k311 x31fcast(k31+1)=x3fcast(k31)-x3fcast(k31-1); else if k310 x31fcast(k31+1)=x3fcast(k31)-x(1); else x31fcast(k31+1)=x(1); end endendx31fcast%一次拟合预测值for k4=1:nfinal x4fcast(k4)=Ava1*exp(afor1*k4)+Bva1;endfor k41=nfinal:-