反復性視角下網絡輿情風險評估指標體系研究

張鑫 田雪燦 劉鑫雅

摘? ?要：反復性輿情作為網絡社會中常態化存在，對其進行針對性研究和科學預測，有助于引導輿情健康發展，維護網絡社會穩定。文章構建了面向反復性事件的網絡輿情風險評估指標體系，采用德爾菲法和層次分析法對指標體系進行了檢驗和權重測量。在此基礎上，以“垃圾分類”輿情事件為例，通過統計分析、主成分分析、文本情感分析等方法，剖析了輿情主體、輿情客體、關鍵傳播節點等不同指標在輿情各階段所呈現的特征，重點比較了輿情反復階段與其它階段特征的異同。研究結果為反復性網絡輿情的有效識別、風險評估及科學引導提供了參考依據。

關鍵詞：反復性事件;網絡輿情;風險;評估指標

Abstract Public opinion about recurrent events is the existence of normalization in the network society. The targeted research and scientific prediction will help to guide the orderly development of public opinion and maintain the stability of the network society. This study constructs a risk assessment index system of network public opinion for recurrent events， uses Delphi method and analytic hierarchy process to test and measure the weight of the index system. Based on this， taking the "Garbage Classification Event" as an example， this study analyzes the characteristics of indicators such as public opinion subject， public opinion object and key communication nodes in each stage of public opinion through statistical analysis， principal component analysis and text emotion analysis， and especially compares the similarities and differences between the recurrent stage and other stages. The results provide a reference for the effective identification， risk assessment and scientific guidance of recurrent public opinion.

Key words recurrent events; network public opinion; risk; evaluation index

隨著在線社區、微博、微信等社會化媒體的快速發展及移動終端的逐漸普及，網絡輿情也愈加復雜，其性質類型多樣，持續時間不等，輿情演化及衍生風險動態多變，需要對其進行及時跟蹤及風險評估。從國內外網絡輿情事件的發生周期來看，既有映射一次性重大社會事件的網絡輿情，也有呈現明顯反復性特征的網絡輿情。前者從事件發酵直至基本消亡，對社會的影響程度往往集中于特定時間段以內;而后者則多是一些長期受公眾關注的事件或話題，由于并沒有最終的結果或結論而長時間的處于亞沸點狀態，一旦有相關事件進展發生，若輿情應對及治理不得當則可能引發新的輿論熱潮，或存在不同程度的輿情風險[1]。實際上，國內外學者對從整體視角對網絡輿情危機的識別和評估研究相對成熟，一些重大輿情事件往往有跡可循且有較成熟的研究方法;但反復性網絡輿情的演化規律、特征屬性、風險評估等，難以直接利用傳統的輿情研究成果。而如今，反復性輿情已逐漸成為網絡事件中常態化存在，其亦是相關部門需要科學應對的重要問題之一。

1? ?相關研究綜述

1.1? ? 網絡輿情風險發生與演化

目前研究者們通常基于生命周期理論，將網絡輿情從發生到消亡的過程劃分為三到六個階段。一般在輿情發生初期，其風險具有一定潛隱性，危險程度較低，但由于輿情傳播速度和路徑存在不同變數，在特定條件下其風險可能進一步擴散，使得“輕量級”的輿情風險逐漸演變成“重量級”風險。何振和盧坤[2]探討了突發事件社會風險形成期、擴散期、高漲期和消退期的風險演化表現、特征與規律，并在此基礎上提出了基于不同階段的風險防控對策。安璐等[3]通過構建話題發現模型，識別原生輿情及其衍生輿情，利用ARIMA時間序列模型來擬合和預測衍生輿情的形成與演化。黃衛東等[4]認為輿情風險程度受參與者的情感影響，其基于話題特征詞等構建了情感詞表，并應用How Net相似度算法計算情感詞對應的情感傾向值，最后得出了網絡輿情參與者的情感演化規律。

1.2? ? 網絡輿情風險評估

輿情風險評估通常指圍繞特定領域或事件，利用數據技術進行相關輿情信息采集、挖掘與分析，在此基礎上利用科學方法進行態勢研判、危機評估與趨勢預測，并制定應對措施或防范策略。目前，學者們利用多種方法或算法構建了基于不同階段、不同情境的輿情風險評估指標體系或模型。其中，面向突發事件首發信息，蔣宇等[5]剖析了其包含的各項基本要素，構建基于突發事件首發信息的風險評估指標體系，并對其未來輿情風險進行定量評價。面向突發事件的整個生命周期，梁冠華和鞠玉梅[6]結合灰色統計法以及AHP分析法，構建了網絡輿情演化周期各階段的風險指標體系，并分析計算了各個風險指標的權重系數。面向時空社會網絡，徐迪[7]探究了時空大數據源與海量輿情信息的匹配規律，尋求時空數據建模與輿情研判模型的整合方式，構建了重大疫情類網絡輿情風險研判的多維多態時空大數據分析框架。王靜茹等[8]構建了涵蓋輿情主體、客體、本體、媒體和環境等一級指標體系的多媒體網絡輿情危機指標體系，并進行了具體事件的趨勢監測研究。秦琴和湯書昆[9]將突發災害理論和信息傳播理論運用于突發災害網絡輿情風險監測研究中，構建了包括災害要素、信息特征、媒體傳播和受眾傾向等的輿情風險監測指標體系。面向多媒體網絡輿情衰退期，黃微等[10]通過文獻調研法構建了多媒體網絡輿情衰退期指標體系，并利用BP神經網絡對構建的指標體系進行了評估。除此以外，學者們還對運用模糊綜合評價法、AHP分析法、UML方法、專家調查法等多種方法和技術，對政府信息公開輿情[11]、外媒涉華輿情[12]、邊疆地區輿情[13]、重大公共衛生輿情[14]等不同領域、情境的風險評估展開具體探討。

從已有研究成果來看，網絡輿情風險相關研究主要聚焦于基于整體生命周期的輿情風險識別或預測，雖偶見面向首發信息、衍生輿情或衰退階段的風險研究，但針對當前社會環境下頻頻出現的反復性輿情的研究成果相對較少，對“反復性”作為輿情研究的理論邏輯起點的關注度有待提升。本研究將通過德爾菲法和層次分析法，對反復性的輿情風險評估進行定性、定量相結合的研究，試圖解決以下兩個方面的問題：第一，構建基于反復性網絡輿情的風險評估指標體系，并研判反復性輿情發生時哪些指標對輿情風險的影響權重更高？第二，結合對反復性輿情風險評估影響較大的指標要素，探究輿情的反復階段與爆發期相比有何顯著特征？

2? ?關鍵概念界定和研究方法

2.1? ? 關鍵概念界定

本文中，反復性網絡輿情指基于特定事件的網絡輿情在蔓延及爆發之后，由于事件并沒有最終結果或結論而長時間處于相對休眠狀態，一旦事件出現進展，當觸碰多項因素或出現新的影響擴大化特征后則可能引發新的反復性輿情熱潮。

與突發事件網絡輿情、爆發階段網絡輿情或衍生性網絡輿情相比，反復性網絡輿情往往具有如下特點。

第一，輿情核心話題為“舊”話題。與突發事件或衍生性輿情核心話題較“新”的特征相比，反復性輿情往往是相對“舊”的話題再次出現并影響擴大化。一方面，其可能表征為例行官方議程輿情（如3·15晚會相關）、常見災害氣候輿情（如洪澇災害相關）或定期社會活動輿情（如春運相關），此類舊話題通常呈現“季節性”反復出現并且相對可預見[15]。另一方面，還有一些非“季節性”但由于其核心事件并未有最終結果、當事件再次明顯發展而反復出現的舊話題，如新冠肺炎疫情。而后者隨著疫情的突發階段和爆發階段的時間推移，已不能僅用傳統的輿情研究邏輯起點來剖析，有必要從反復性的視角來對輿情發展的新規律、新特征予以揭示。

第二，網民的認知狀態“相對理性”。有限理性理論認為，人們在現實情況中所獲取的信息、知識與能力存在有限性，他們基于此所形成的方案或決策也是有限的，所以公眾往往難以做出效益最大化的決策[16]。而由于反復性輿情涉及的核心話題相對較“舊”，與突發事件相比，普通民眾此時通常對事件本身已有一定的信息攝入及認知積累，其往往呈現相對理性的狀態。

第三，輿情場域多維度動態演化。布爾迪厄將場域定義為“位置間客觀關系的一個網絡或一個形構，這些位置是經過客觀限定的”，即社會個體所參與社會活動的空間[17]。在若干反復性輿情發生過程中，其雖然核心話題一致，但所映射的物理區域、空間情境以及客觀性質均呈現動態演化趨勢。如隨著各地“垃圾分類”政策的發布，其相關輿情涉及區域不斷變化，所體現的諸如政治、社會等不同領域輿情性質或也隨之變化。

2.2? ? 研究方法

本研究綜合運用德爾菲法（Delphi）和層次分析法（Analytic Hierarchy Process）檢驗反復性事件網絡輿情風險評估的要素指標。德爾菲法亦可稱為專家調查法，是一種采用函詢方式進行多次領域專家匿名交流反饋的調查方法[18]。層次分析法是一種定性、定量相結合的多目標決策分析方法，較適用于解決評估體系中指標要素較多、內在關系較復雜、不易采取量化的問題[19]。

通過查閱國內外相關文獻，本研究系統梳理總結了多類網絡輿情風險的評估指標，并基于輿情的反復性特征及專家預訪談結果，構建面向反復性事件的網絡輿情風險評估指標體系。然后，基于構建的評估層次結構模型，根據李克特量表制作專家調查問卷，并依據問卷回收所得數據建立成對比較判斷矩陣，然后運用層次分析法專業分析工具計算模型中各項要素的權重值并檢驗一致性，只有滿足一致性的數據才被采納;最后，以微博環境下“垃圾分類”事件為例，利用統計分析法、內容分析法、文本情感分析等方法對反復性輿情風險的主要指標進行了實證分析，以期為網絡輿情的研究提供新的理論支撐，在實踐層面為輿情監管部門對反復性社會事件輿情的治理提供借鑒。

3? ?反復性網絡輿情風險評估體系與指標權重

3.1? ? 評估指標體系構建

本研究的評估客體為具有反復性特征的重要事件網絡輿情。構建層次結構體系的目的在于對該類網絡輿情的風險程度從多個方面進行綜合性評估，從而幫助相關部門及時識別輿情態勢、做出科學應對。通過解構評價目標及具體表征的關鍵信息，本研究認為反復性視角下網絡輿情風險評估層次體系可設置為4個一級指標、11個二級指標和36個三級指標，具體如下。

（1）“輿情主體”一級指標。網絡輿情的反復過程中，輿情主體通過在社區中的多種參與行為及情感態度的表達傳播，對網絡輿情的反復性演化起著重要影響作用。結合已有研究及反復性輿情表征，將“輿情主體”下設參與用戶情況、主體客觀表述、以及主體主觀情感3個二級指標。其中，用戶情況指輿情事件中內容信息發布者以及傳播者的基本情況;客觀表述指發布或傳播內容的詳略程度、可視化程度等，包括文字內容、圖片內容、視頻內容以及其他鏈接等;主觀情感指事件參與者、發布者以及傳播者發布的內容所體現出的態度、情感等。

（2）“輿情客體”一級指標。在網絡輿情的反復階段，輿情事件本身可能呈現新的特征、反映不同的事件性質，或進一步演化發展，這些客體表征則是輿情本體表達的集中體現。本研究將“輿情客體”下設事件性質、事件規模和事件發展3個二級指標。其中事件性質主要指事件所屬的領域，包括政治安全領域、生態安全領域、社會安全領域、經濟安全領域、文化安全領域[20];事件規模指整個事件引發、涉及的數據量，是事件影響大小以及覆蓋范圍的體現;事件發展則指事件本身隨著時間的變化以及事件主體情感的演變趨勢。

（3）“傳播媒介”一級指標。在網絡輿情發展的過程中，媒體傳播特征和社會網絡交互類型等因素會一定程度影響著輿情演變走勢，或觸發網絡輿情呈現反復性。本研究將“傳播媒介”下設關鍵節點、傳播速度、傳播路徑及輿情環境3個二級指標。關鍵節點指在事件傳播過程中，各主體所體現的傳播角色，包括政府、主流媒體、微博大V以及普通大眾;傳播速度指事件規模的擴散率以及影響范圍的擴大速度;傳播路徑指事件的傳播模式以及傳播方式。

（4）“輿情環境”一級指標。除在社區中參與信息生成和情感表達的網民外，還存在多數呈現“圍觀”的潛水者及嘗試“干預”的相關部門，他們共同組成了網絡輿情的外圍拓展及映射環境。本研究將“輿情環境”下設輿情映射和外界干預2個二級指標，其中，輿情映射指網絡環境中關注輿情但非直接參與的主體對事件的搜索熱度;外界干預指外界環境（主要是政府）對事件的干預手段、干預模式以及干預頻度。

基于此，本研究構建了反復性視角下網絡輿情風險評估指標體系中的三級指標，為了盡可能遵循全面性、系統性和可操作性的原則。在后續專家意見征詢過程中，發現部分指標存在難獲取、冗余等問題，后結合研究實際以及反復性輿情特征，對部分指標進行了調整，最終形成網絡輿情風險指標體系并進行解釋說明（見表1）。

3.2? ?評估指標一致性及權重分析

基于本文所構建的層次模型，本研究制作了層次分析法專家調查問卷。同時，為實現對本文所構建的模型和指標進行檢驗，鑒于綜合評價法原理，以“非常重要、比較重要、一般、比較不重要、非常不重要”5個等級作為指標打分依據，設計了指標評價專家問卷。專家調查問卷均采取線上方式發放與回收。根據層次分析法和德爾菲法的基本原理，問卷調查所選取的專家樣本應不少于10人，以保證較為理想的精準度。為保證獲取數據的可信度和權威性，本次調查選取了領域專家學者、實踐界從業人員，組成了專家評估小組（N=21），其中博士18人，碩士3人。

本文采用薩蒂提出的層次分析法對指標體系的各級指標進行權重計算。基本思路為：首先，確立總目標和關鍵影響因子，并將關鍵影響因子按隸屬關系支配分解，形成一套有序遞階結構。其中，目標層即所確立的風險評估總目標（A），準則層即輿情主體、輿情客體、傳播媒介、輿情環境，基于此對上述指標進行分析。方案層包含子指標1和子指標2，其中子指標2由子指標1進一步細化分類所得。然后，在此結構中建立判斷矩陣將影響因子進行兩兩比較，同時計算出判斷矩陣的最大特征值和正交化特征向量。接著，利用層次分析法進行各個指標權重的計算與排序，最終得出關鍵因素指標，并將預測結果帶入事例中進行驗證，判斷預測是否準確。

具體而言，首先將專家評分轉化為判斷矩陣;然后運用matlab進行特征值（λ）求解和一致性檢驗。CR<0.1時則可以認為判斷矩陣的一致性可以接受;否則需要對判斷矩陣進行修正。

接著，運用matlab進行特征值法計算權值。通過構建一系列判斷矩陣，自頂向下逐層分析量化，對一級指標、二級指標和三級指標進行一致性檢驗。通過與德爾菲法相結合，最終各級指標一致性檢驗通過，并得出各個指標在整體中的權重（一級指標一致性檢驗結果見表3）;二級指標在同層級風險評估體系中的權重（見圖1）;三級指標在同層級風險評估體系中的權重（見表4）。

通過一級指標權重結果可以看出，在反復性輿情風險評估體系中，“輿情客體”所占權重最高，一定程度上揭示了在這一階段對風險影響最大的依然是輿情事件本身，包括輿情的性質、規模及事件發展等因素。除此以外，參與網民的數量以及其在平臺的客觀表述和主觀情感等輿情主體方面，對輿情風險影響也較為重要。同時，輿情的傳播媒介和環境也對反復性輿情的風險評估起到一定作用。

從圖1可以看出，二級指標中，輿情事件在網絡空間出現的內容數量規模、參與網民的主觀情感以及事件的發展動態對反復性網絡輿情風險的影響程度較大。其次為輿情傳播中的關鍵節點、參與網民的客觀表述、輿情事件的基本性質以及外界的干預手段和強度，這些也是決定反復性網絡輿情風險等級高低的重要因素。

縱觀三級指標權重測量結果，反復階段輿情風險影響最大的三個具體指標分別為，主動參與網民發布的原創內容數量、在平臺主動搜索相關信息的“圍觀”網民情況，以及距相關事件發生節點的時間跨度。結合反復性輿情風險評級較重要的二級指標進行分析發現：①輿情信息的主動性發布比整體發布、跟隨發布更具風險評級參考價值;②網民的情感變化、負面態度比積極態度、中立態度對風險評級更重要;③作為關鍵節點的微博大V、主流媒體比政府、普通大眾對輿情風險的影響強度更明顯;④輿情事件所屬社會領域、政治領域比所屬經濟領域、生態領域和安全文化領域對風險級別的影響概率更高;⑤輿情信息中視頻比鏈接、圖片對輿情風險評估權重更大;⑥傳播路徑中，多關鍵節點較單關鍵點及鏈式傳播影響力更大。

4? ?指標體系的實證檢驗

4.1? ? 案例選取及數據采集

本研究以微博平臺中“垃圾分類”事件及其對應的網絡輿情為例，進行反復性視角下網絡輿情風險指標體系的檢驗與對比分析。之所以選取此案例，一方面由于“垃圾分類”輿情是近年來隨不同地域相關政策頒布而出現的典型反復性網絡輿情，具備該類輿情的主要特征及普適性研究價值;另一方面，自2019年7月1日上海開始實施《上海市生活垃圾管理條例》以來，眾多網友基于此展開討論并形成大量相關數據，對數據的有效采集和充分分析起到良好的支持作用。

本研究以“垃圾分類”為關鍵詞，利用八爪魚和Python采集了自2019年6月1日至2020年9月7日微博平臺的25余萬條數據，抓取的數據類型主要包括微博ID、發布時間、微博內容、內容類型、轉發-評論-點贊等微博平臺信息。經過編程自動篩選與人工清洗，去除重復、無用及干擾數據，最終有近22萬條有效數據，以供研究進一步開展。

4.2? ? “垃圾分類”輿情的生命周期階段劃分

根據生命周期理論，網絡輿情事件的傳播演化存在明顯階段特征，已有研究多用平臺的相關發文數量作為關鍵指標進行量化顯示。本文以生命周期理論為依據，結合“垃圾分類”相關輿情中微博發文數的變化情況以及本文前述反復性輿情的發現，將該事件的輿情演化過程劃分為4個大致階段：潛伏期（2019年6月1日-2019年6月16日）、爆發期（2019年6月17日-2019年7月15日）、反復期（2019年7月15日-2019年9月7日）、長尾期（2019年9月8日-2020年9月21日）。其中基于反復期的特征和數據規模，將反復期進一步分為：反復期1（2019年7月23日-7月25日）、反復期2（2019年8月3日-8月9日）和反復期3（2019年8月31日-9月7日）（具體階段劃分見圖2）。

4.3? ? “垃圾分類”輿情反復階段的主要指標特征分析

如前所述，本研究在構建反復性視角下網絡輿情風險評估指標體系的同時，還嘗試結合測量指標的重要程度，進一步剖析輿情反復階段與其他生命周期階段相比，哪些指標是既重要又有明顯差異性的，而哪些指標雖然重要但在輿情各階段沒有明顯差別。以此來判別哪些指標或因素可更有效預測或識別輿情的反復期。

（1）輿情主體方面

①基于網民規模的反復性輿情風險評估。本研究通過統計分析整理“垃圾分類”輿情參與網民的數量，并測量了三個反復階段與爆發階段參與網民的規模。發現反復期與爆發期輿情整體用戶規模、主動發布用戶數量大體與對應時間范圍的輿情信息規模呈正比;同時發現主動發布用戶占整體內容發布用戶的較大比例，其對輿情的反復性發展有重大影響（見圖3）。換言之，盡管參與用戶的數量規模可作為輿情風險評估的重要指標，但反復性輿情測量中該指標沒有明顯階段特征。

②基于網民生成內容的反復性輿情風險評估。通過使用Python和Excel統計工具展開分析發現，文字是網民生成內容最常見的形式，文字的長度與輿情各周期“冷熱”有較明顯的一致性關系。而在網民生成發布的其他類型內容中，鏈接數量略高于視頻和圖片數量，且輿情的反復階段和爆發階段網民發布的非文字類型數量也相對較高。這意味著，盡管參與用戶的客觀表述雖然作為輿情風險評估的重要指標，但該指標對反復性輿情測量同樣沒有明顯階段特征（見圖4、圖5）。

③基于網民情感的反復性輿情風險評估。本部分根據情感字典對分詞后的文本進行情感計算，具體步驟如下：首先進行分詞及詞性標注，詞和詞性構成一個元組;然后進行句子切分，讀取停用詞表，去除停用詞;接著讀取情感詞典，獲取六種權值的詞，根據要求返回list，其中，程度副詞的權值從高到低分別是2、1.5、1.25、0.5、0.25、-1;進而，對情感得分進行最后處理，如[-1， 3]→[0， 4]。其中分數越高，說明情感越趨向于積極性。

分析各階段網民的情感分值（見圖6），不難看出，一方面，在“垃圾分類”相關輿情中，正向情感始終居于上風，盡管其分類政策可能給普通群眾日常生活帶來更多任務量，但從網民情感走向來看，可以認為群眾對生態環保、污染治理等持更為正面的支持態度;另一方面，網民的情感分值在三個反復期均沒有呈現明顯的峰值，其或可解釋為在反復階段網民的認知理性或情感穩定程度較高。鑒于此，盡管網民的情感態度可作為衡量全生命周期網絡輿情風險評估的重要指標，但在反復階段該指標的評價貢獻并不高于其它階段。

（2）輿情客體方面

①基于輿情規模的反復性輿情風險評估。輿情規模作為衡量全生命周期的重要指標，其作用不言而喻。然而除了網民主動發布的各類型內容外，還有相當規模的轉發、評論和點贊情況。分析網民在輿情各階段的跟隨走勢（見圖7），反映出輿情的爆發和反復期過程中，網民點贊和轉發情況較為突出，雖然并不與階段峰值到達的時間完全吻合，但也基本保持前后相近狀態;同時，在長尾期由于個別傳播者的特殊性，網民點贊量仍可出現較高值。本研究還發現，反復期與爆發期的相關評論數據較少，且與基于反復期測量該指標的效果并不明顯。這在一定程度上說明了網民的參與行為也較符合最小省力法則，即轉發和點贊相對時間短、較便捷，而評論則需要用戶占用更多時間。

②基于輿情性質的反復性輿情風險評估。本部分使用了主成分分析法，具體操作如下：首先，從輿情各階段隨機抽取出一萬條數據文本，進行分詞、去除停用詞等預處理后，利用Python進行詞頻統計并降序輸出，選取其中前300個高頻主題詞，進一步篩選得到有效的高頻主題詞74個。然后，隨機選取120個用戶及所發布的微博正文，將高頻主題詞出現一次記為數字1，出現兩次記為數字2，出現三次記為數字3，以此類推，將最終處理完畢的數據結果導入SPSS中進行相關性分析以及主成分分析，并且輸出載荷圖等其他的相關結果圖。本文共得到了10個以上的主成分，選取前5個主成分，根據各個高頻詞的貢獻率可知，研究案例涉及的輿情性質主要有生態環境、社會生活、法律法規三個領域（部分截取的成分得分系數矩陣見表5）。

③基于輿情情感波動的反復性輿情風險評估。基于本文中的情感分值進一步算出積極情感、消極情感平均分以及平均分之比，并依據此算出積極、消極得分的方差以及方差之比。情感方差一定程度上反映了輿情情感強度的波動性與穩定性情況（見圖8），在輿情爆發期積極、消極情感方差都較大，而反復階段積極、消極情感方差較小，甚至小于長尾期的情感方差。這揭示了即使輿情爆發期的情感波動是風險評估的重要測量指標，輿情的反復期該指標盡管也是參考依據，但呈現測量效果相對不明顯。

（3）輿情關鍵節點方面

本研究對所有采集的交互數據進行加權計算：轉發量*0.5+評論量*0.3+點贊量*0.2=最終得分。接著，通過最終得分進行降序處理，取出得分為100分以上的關鍵節點，再進行降序排序，選取前500名，作為整個周期的關鍵節點;然后，選取出對應時間階段的關鍵節點以及關鍵節點的得分，把爆發期、反復期1，反復期2，反復期3，長尾期對應的關鍵節點提取出來;如關鍵節點關注另一個關鍵節點則可判定為二者之間有單向聯系，記為1，無單向聯系記為0。利用Python，登錄微博進行比對，并且將最后的1 0矩陣輸出到Excel表中。最后利用ucinet和newdraw進行社交網絡可視化分析以及中心度分析，輸出結果（見圖9）。

進一步分析發現，就數量而言，全周期的關鍵節點最多，而爆發期和反復期3的關鍵節點次之;就密集程度而言，全周期最為密集，反復期3和爆發期的較為密集;就具體的關鍵節點而言，在全周期內，最主要的幾個關鍵節點主要為主流媒體、政府和大V;在爆發期內，最主要的幾個關鍵節點是：政府和主流媒體;而在反復期內，最主要的關鍵節點則為主流媒體和大V，尤其在案例反復期3可以發現，這一時期雖然關鍵節點數量較多，但是主要為大V群體。這可以反映出雖然話題討論較多，但隨著反復次數增多，政府干預越來越少，網絡大V的傳播關鍵節點地位愈加凸顯。

5? ?結論及建議

本研究構建面向反復性事件的網絡輿情風險評估指標體系，綜合運用德爾菲法和層次分析法對指標體系進行了驗證和權重分解，識別出影響反復性輿情風險發生的主要指標類型和具體指標。在此基礎上，基于所采集的與“垃圾分類”反復性輿情事件相關的22余萬條有效微博條目作為研究對象，通過統計分析、主成分分析、文本情感分析，實現了輿情反復階段與其它階段的主要指標測量比較，識別出對反復性輿情風險評估起著相對重要作用的指標要素。主要得出以下結論及建議：

（1）構建聯動的反復性事件輿情風險監測體系。風險監測體系是長效輿情引導控制的基礎，在輿情經過熱議而處于相對冷卻的狀態時，仍需對其建立反復性評價反饋機制，并隨時評估再次引發危機的可能。具體工作可基于兩方面開展：其一是將反復性輿情主要測量指標及指標體系的量化評估結果聯動至整體輿情預警體系，以便于相關部門及時進行統籌研判和處理;其二是將輿情的全過程數據納入案例庫，不斷完善反復性輿情風險評估體系，以為后續其它類似事件提供可借鑒的思路和建議。

（2）加強輿情事件性質的識別和引導。盡管反復性輿情的核心話題或議題相對不變，但是話題背后的事件性質或隨網民的輿論發展而發生變遷。基于本研究發現，輿情風險的相關事件性質權重從大到小依次為社會安全、政治安全、經濟安全、生態安全和文化安全，結合輿情反復階段用戶發布主動內容參與性強、評論回復等交互性弱及多傳播關鍵節點的特征，相關部門可以在輿情爆發后重點關注關鍵傳播節點，引導其輿情發布內容成分及事件性質等風險層級弱化，盡量避免不良后續輿情的產生。

（3）重視輿情發展過程中網民的情感態度。輿情的反復階段，網民的認知相對理性、情感波動較爆發期相對穩定;同時也可存在情緒的內隱和累積，當意外事件進一步刺激而導致情感臨界點的突破，這一情感維度正是反復性網絡輿情分析和監測的重點和關鍵。基于此，有必要對反復性輿情發生過程中網民顯性與隱性情感特征進行識別研判，通過揭示諸如網絡輿情中的情感類型、情感狀態、情感強度、情感焦點、情感指向、情感喚起等要素，剖析隱性情感發展態勢及在網絡社會中的顯性轉化動因、規律，進而綜合形成各個輿情發展階段危機程度和預警級別。

（4）發揮輿情傳播關鍵節點的多維價值。本研究進一步驗證了輿情的整個生命周期中，關鍵節點發布的內容類型與傳播路徑存在的明顯差異。作為輿情風險評估的重要指標，需要在不同階段對關鍵節點進行科學把握和高效引導，諸如相關治理機構在輿情爆發期可主要考慮依托多關鍵節點影響力和快速擴散能力，對網民進行及時、權威、針對性、結構化地信息輸出;而在輿情的反復期，重點強化多類型關鍵節點協同信息內容生成和傳播，尤其關注平臺大V的正向傳播作用，以防止“輿情搭載”、“次生輿情”等新情況。

上述研究發現有助于為政府和相關部門的整個生命周期輿情治理、尤其是反復階段輿情治理提供數據與方法支持，識別潛在的反復風險，提高科學應對決策。后續我們將繼續擴大研究樣本，進一步檢驗和改進反復性輿情識別指標及方法的準確性和適用性。

參考文獻：

[1]? 張瑜，李兵，劉晨玥.面向主題的微博熱門話題輿情監測研究——以“北京單雙號限行常態化”輿情分析為例[J].中文信息學報，2015，29（5）：143-151，159.

[2]? 何振，盧坤.突發事件社會輿情風險生成演化及防控研究[J].湘潭大學學報（哲學社會科學版），2020，44（2）：22-26.

[3]? 安璐，代園園，周亦文.公共安全事件衍生輿情形成與演化研究——基于話題與時間序列分析[J].公安學研究，2020，3（1）：14-31，123.

[4]? 黃衛東，林萍，董怡，等.基于話題特征詞的網絡輿情參與者情感演化分析[J].情報雜志，2015，34（11）：117-122，144.

[5]? 蔣宇，蘭月新，劉冰月，等.面向輿情預測的突發事件首發信息風險評估研究[J].圖書與情報，2016（3）：19-27.

[6]? 梁冠華，鞠玉梅.基于輿情演化生命周期的突發事件網絡輿情風險評估分析[J].情報科學，2018，36（10）：48-53.

[7]? 徐迪.基于時空大數據的重大疫情類突發事件網絡輿情研判體系研究[J].現代情報，2020，40（4）：23-30，81.

[8]? 王靜茹，金鑫，黃微.多媒體網絡輿情危機監測指標體系構建研究[J].情報資料工作，2017（6）：25-32.

[9]? 秦琴，湯書昆.突發自然災害網絡輿情風險監測指標體系研究[J/OL].電子科技大學學報（社科版）：1-9[2020-10-14].https：//doi.org/10.14071/j.1008-8105（2019）-3023.

[10]? 黃微，徐燁，劉熠，等.多媒體網絡輿情衰退期形成的評估指標體系構建研究[J].情報理論與實踐，2020，43（1）：76-81.

[11]? 薛新波，周中林.政府信息公開的輿情風險評估指標體系構建及其策略研究[J].西南科技大學學報（哲學社會科學版），2018，35（3）：69-75，79.

[12]? 扈翔.外媒涉華輿情風險評估指標體系的構建[J].青年記者，2017（23）：7-8.

[13]? 談依箴，劉茉，李洋，等.邊疆地區網絡輿情風險評估研究[J].中國公共安全（學術版），2017（4）：107-113.

[14]? 郭寶盛，季紅穎.重大疫情中網絡輿情危機演變及治理策略[J].情報科學，2020，38（6）：103-109，138.

[15]? 閆旭鳳.季節性輿情的成因及治理對策[J].青年記者，2018（17）：10-11.

[16]? 李拉亞.理性疏忽、粘性信息和粘性預期理論評介[J].經濟學動態，2011（2）：117-124.

[17]? 龐正，周恒.場域抑或主體：網絡社群的理論定位[J].社會科學戰線，2017（12）：184-191.

[18]? 曾照云，程曉康.德爾菲法應用研究中存在的問題分析——基于38種CSSCI（2014-2015）來源期刊[J].圖書情報工作，2016，60（16）：116-120.

[19]? 薛翔，趙宇翔，陳英奇，等.基于層次分析法的公眾科學項目游戲化設計的評價指標體系構建[J].圖書與情報，2019（3）：50-60.

[20]? 曾潤喜，羅俊杰，朱美玲.網絡社會安全風險評估指標體系研究[J].電子政務，2019（3）：36-45.

作者簡介：張鑫（1985-），女，河北大學管理學院講師，南開大學商學院博士后，研究方向：網絡社會治理;田雪燦（2000-），女，河北大學管理學院本科生，研究方向：輿情挖掘、情感分析;劉鑫雅（2000-），女，河北大學數學與信息科學學院本科生，研究方向：大數據資源智能化管理及應用。