面向大數據的網絡輿情多平臺交互機理研究

連芷萱　張鵬　段耀勇　劉茉　瞿志凱

摘 要：網絡輿情在進入手機4g時代發生了很大變化，網民無論在時間還是地點兩個方面都不再受到限制。由于智能手機的普及，微信、微博、客戶端等新媒體興起，傳統紙媒相繼推出了網頁版本和微媒體版本，新聞網站的新聞條目里也具備了留言功能和轉發微信、微博的功能，網絡輿情在新媒體環境下呈現出新特點。該文在研究網絡輿情案例的基礎上，構建包括微信、微博、網站、報刊、論壇、客戶端的網絡輿情平臺交互模型，并且多元回歸分析定量研究相關關系，為輿情管理提供符合實戰需求的可操作性監測目標。

關鍵詞：大數據 網絡輿情 多元回歸分析

中圖分類號：TP393 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0146-03

經常聽到的網絡輿情事件，也就是通過互聯網熱評和焦點話題引起的危機事件。我們已經進入手機4G時代，網民無論在時間還是地點兩個方面都不再受到限制。由于智能手機的普及，微信、微博、客戶端等新媒體興起，傳統紙媒相繼推出了網頁版本和微媒體版本，新聞網站的新聞條目里也具備了留言功能和轉發微信、微博的功能，網絡輿情在新媒體環境下呈現出新特點。

針對網絡輿情的議題演變這一焦點，我國學者不斷進行研究，基本上集中在以下三點。一是基于傳播理論研究網絡輿情，即通過研究議題演化機理、演化特征、傳播規律等進行仿真實驗。比如，方健（2012年）運用生命周期理論，把突發事件網絡輿情變化劃分成4個關鍵時段，依次是萌生、擴散、變化和減退，另外對每個時段的輿情進行探究。二是從網絡輿情角度研究社會治理問題，即從電子政務、智慧城市等視角進行研究輿情中的民意表達。如，陳妍妍（2013年）基于社會風險理論研究議題演化對于社會管理的作用。三是按事件分類研究教育、司法、暴恐、群體性等事件類別進行專項研究。比如楊軍（2014年）對廣東陸豐烏坎事件的網絡輿情進行了分析探究。

雖然前人已經對網絡輿情進行了充分的研究，但是目前大部分學術成果多以定性視角進行研究，定量研究較少。單一主體、單一平臺視角下研究較多，多主體多平臺交互視角下研究不足。文章擬在定性分析多平臺交互機理的基礎上，用多元回歸分析，研究多平臺交互下的網絡輿情議題演化，在定量研究的角度探究大數據背景下突發事件網絡輿情主體的交互問題，希望能夠為政府解決網絡輿情在理論方面提供參考。

1 面向大數據的網絡輿情平臺交互特點

1.1 網民和媒體間的互動擁有爆發性

網絡民意以社交媒體平臺為突破口，網民與媒體之間的交互具有爆發性的特點。網絡輿情曝光于社交平臺，被大量轉發、點贊后形成熱點而后引起其他平臺的注意，從而向其他平臺擴散。

網絡上存在海量事件信息，只有極少部分事件可以演化成網絡事件。任一網絡事件的爆發，一般都是各類相同事件的網民情緒不停累積的后果。當這種情緒能夠被大眾感知時，已經不再是單一的事件傳播，而是疊加了無數次的傳播，我們所見到的宏觀尺度上的網絡輿情事件是微觀上每個網民民意表達的復合呈現。輿論交鋒的力量對比體現在話題數量上與在線結果存在差距，相當多的新聞話題、帖子并不是在就事論事，而是在借題發揮，來抒發對社會某一類現象的觀點。網絡輿情事件的爆發點是偶然的，而在其熱議過程中看似偏題的評論正是網絡社會的民意動向。

1.2 媒體之間的互動擁有擴散性

媒體之間的相互關系較大程度地控制輿情的影響范圍，具有擴散性的特點。網絡輿情曝光后往往有一段時間的潛伏期，而經過影響力大的媒體的曝光后，引起其他媒體注意，各自影響自身受眾，層層擴散。

艾諾爾·紐曼對1968年反越戰報道進行研究后提出著名的“媒介共鳴”效應，其含義就是當新聞中事件與事件本身性質與意義存在偏差的時候，媒介之間的共鳴可以產生巨大的社會影響。原因在于新聞界共享新聞資源和媒體附和新聞界的意見領袖，使得輿情事件具有了溢散效果，讓輿論像漣漪一樣相互碰撞激蕩。例如“云南導游罵游客”事件從朋友圈曝光后，先是新聞報道，后來脫口秀節目借題發揮提高人氣，最后官方發聲整改旅游業等，引起了一系列熱議。

在大數據的背景下，網絡輿情信息由網民發出，通過媒體的交互作用而引爆擴散后，網民的訴求傳達給作用主體。作用主體通過媒體發布信息從而引導普通網民。能夠發現網絡平臺無論在輿情生成還是耗散過程中都發揮了重要作用。每種媒體平臺的受眾、功能、普及程度各有不同，各個平臺之間的交互關系也呈現出不同形態。文章使用多樣回歸分析對每個平臺間的互動聯系進行具體敘述。

2 面向大數據的網絡輿情平臺交互機理分析

2.1 變量分析

常有的網絡輿情平臺包括了微博、期刊、微信以及各類客戶端等。其中，以滿足網民自身社交需要的平臺有微信和微博，以滿足行業、部門宣傳與營利為需要的有新聞網站、報刊，如人民網、解放軍報等。以滿足話題討論為需要的有論壇，如貼吧、天涯社區等。以為某軟件附帶服務的有程序應用客戶端，如知乎、經管之家、美空網等。

微信是一款為即時通訊服務的手機程序，具有普及率高、網民媒體之間交互性強、內容視聽化程度高的特點。截至2017年，微信已涵蓋我國95%左右的智能手機，月活躍客戶超過了8.05億，每個品牌的微信公眾號數目共計有八百萬，移動軟件連接數目超達85 000個。微信具有語音、視頻、圖像和文字的傳輸功能，而且可以運用同享媒體的信息以構建在基本社交功能“搖一搖”“朋友圈”等各類功能插件，可以隨時隨地分享篇幅不限的視聽消息，并通過社交網絡關系和粉絲關系而擴散。

微博，即一種利用分享機制分享簡短實時信息的廣播式社交網絡平臺，具有普及范圍廣、網民之間交互性強、內容實效性以及隨意性強的明顯特征，用戶能夠利用新浪以及搜狐等客戶端建立個人社區，利用140字（標點符號包含在內）的文字更新信息，同時進行實時分享。

新聞網站，即把新聞服務作為重要生存方式的專業網站，其面對非特定的群體發布信息。無論是國家大型網站，還是商業門戶，或者地方新聞用戶，以及各個行業用戶網站同樣當作其所在行業的新聞網站。

報刊，即利用紙張傳播信息的一類專用工具，其起到說明與宣傳的功效。能夠維護形象，例如“人民日報”目的就是維護國家整體形象；“企業報”則是致力于維護企業的良好形象。

論壇，將其理解成發帖回帖的平臺。其為用戶提供一塊公共電子白板，任何用戶都能夠在上面發表內容，表達各種信息或者自身見解。其具備明顯的交互性、內容豐富性以及即時性的特點，用戶能夠在論壇上獲取相關服務信息、發布信息、討論聊天等。

客戶端，即和服務器互相對照，為客戶供應當地服務的程序，擁有新聞傳播這個服務，去除某些限制在當期運作的功能程序以外，一般安置在普通用戶機上，應當和服務器互相搭配來進行運作。由于用戶群特定，推送針對性強，相對其他平臺信息更容易被接受。

2.2 網絡平臺交互機理的數學仿真

網絡平臺交互機理主要通過多元線性回歸進行分析，如圖1所示，首先建立案例庫并對輿情生命周期內各個平臺的發文數量進行統計。依次將6個平臺設置為監測對象，其他平臺設置為自變量，建立回歸方程，求解，從而得出6個平臺之間的相互影響關系。

2.2.1 多元線性回歸分析

在大數據環境下，網絡輿情議題的溢散受到多個因素影響，因素分析在對網絡輿情的研究中至關重要。因素分析方法中使用比較廣泛的有因素比較分析、指數因素分析、微積分因素分析、相關和回歸分析法等。首先對各種分析方法的特征進行對比比較，該文采取多元回歸法展開分析。

多元回歸分析又稱為因素分析法，多元回歸分析是根據依次選取自變量進入回歸方程的探索復回歸方法，同時采用前進選取法以及后退刪除法，篩選出特定變量與特定當作變化原因的變量兩者最理想數量關系。采取逐步回歸分析法的過程中，因為影響因素多樣化，同時各種因素對預測對象產生影響有線性以及非線性兩種類型，針對非線性回歸一般是利用適當的轉換，變成線性回歸，再次進行求解。

2.2.2 模型構建

在網絡平臺交互中，6種平臺依次作為測量對象，其他5種平臺作為影響因素，則多元線性回歸模型的矩陣為：

式中Y為監測對象，X為影響因素，B為待估參數，V則是隨機誤差。

此文采取SPSS 18.0進行回歸分析，將整理好的統計數據錄入到軟件后，進行逐步多元回歸分析的具體操作如下：

（1）選擇菜單【分析】→【回歸】→【線性】。（2）選擇因變量進入列表框。（3）選擇多個自變量進入列表框。（4）在Method框中選中Stepwise（逐步回歸法）。

2.2.3 數值檢驗

針對多元性回歸同時需要展開數值檢驗進而明確方程模型回歸效果。常用的檢驗方法有R檢驗、F檢驗和t檢驗。（1）R檢驗是通過復相關系數R明確影響因素與測量對象的兩者的關聯程度。R值越接近1，則回歸效果越好。（2）F檢驗是對回歸方程能否成立進行檢驗。（3）t檢驗則是對所有回歸系數是否具備意義展開檢驗。結果輸出設置具體如表1所示。

3 實證分析

3.1 數據來源

此文選取了“果敢沖突中國教師死亡”輿情案例進行分析，利用清博輿情監測軟件，計算6種平臺在輿情生存周期內的交互關系。案例6種平臺發文數量如圖2所示。

3.2 多元回歸分析回歸結果

具體情況見表2。

4 結果分析

以微信為監測對象可知，微信與微博交互關系強，與網站交互關系較強，與其他平臺交互關系弱。以微博為監測對象可知，微博與微信交互關系強，與網站交互關系較強，與其他平臺交互關系弱。以報刊為監測對象可知，報刊與微信、微博、網站相關較強，與其他平臺交互關系弱。以客戶端為監測對象可知，客戶端與報刊交互性關系較強，與其他平臺交互關系弱。以論壇為監測對象可知，論壇與微信、微博交互關系較強，與報刊、網站交互關系次強，與客戶端交互關系弱。

5 結語

文章通過研究大數據背景下網絡輿情平臺交互關系，構建了大數據背景下多平臺交互模型，通過數值仿真研究了平臺作用間的相互影響程度，為網絡輿情的進一步研究提供參考依據。此外，根據文中構建的數學模型并結合突發事件案例，可以估算各個作用平臺在某個突發事件中的交互效果，進而為開展交互效果評估提供參考。

參考文獻

[1] 田進，朱利平，曾潤喜.網絡輿情交互觸發演變特征及政策議題構建效果[J].情報雜志，2016，35（1）：135-138.

[2] 蘭月新，王芳，張秋波，等.大數據背景下網絡輿情主體交互機理與對策研究[J].圖書與情報，2016（3）：28-37.

[3] 王根生.無標度特性下網絡輿情演化遷移元胞模型[J].小型微型計算機系統，2013，34（5）：1085-1090.

[4] 蘭月新，董希琳，蘇國強，等.大數據背景下微博輿情信息交互模型研究[J].現代圖書情報技術，2015（5）：24-33.

[5] 戴建華，廖瑞丹.基于時間記憶的網絡輿情交互模型研究[J].現代情報，2016，36（2）：8-11，42.

[6] 蘇國強，蘭月新.基于SIR的突發事件網絡謠言擴散模型研究[J].武警學院學報，2013（4）：90-92.

[7] 王慧，蘭月新，潘櫻心.基于信息異化動力視角的網絡衍生輿情成因研究[J].現代情報，2013（7）：59-63.

[8] 戎蕊，蘭月新，張鵬，等.政務微媒體在網絡反腐中的應用研究[J].現代情報，2015（5）：9-13.

[9] 劉翠亭，蘭月新，張琦，等.社交網絡對群體性事件的影響和對策研究[J].電子政務，2015（5）：50-57.

[10] 李昊青，蘭月新，侯曉娜，等.網絡輿情管理的理論基礎研究[J].現代情報，2015（5）：25-29，40.

[11] 張鵬，蘭月新，李昊青，等.基于HAYASHI數量化理論的網絡謠言分類應對策略分析[J].情報雜志，2016（1）：110-115.

[12] 張潤蓮，蘭月新，王彩華，等.網絡群體性事件演化博弈分析及對策研究[J].圖書與情報，2016（4）：24-30.

[13] 夏一雪，蘭月新.大數據環境下群體性事件輿情信息風險管理研究[J].電子政務，2016（11）：31-39.

[14] 袁野，蘭月新，張鵬，等.大數據背景下突發事件網絡輿情應對機制研究[J].武警學院學報，2017（1）：14-18.

[15] 徐敏捷，蘭月新，劉冰月.基于組合預測的網絡輿情數據預測模型研究[J].情報科學，2016（12）：40-45，87.