可預測性災害中網民情感態度引導策略研究

沈洪洲 馬巧慧 沈超

摘要：可預測性災害的網絡輿情在災前即已形成，研究其中網民情感態度的引導策略具有重要的現實意義。以“山竹”臺風中普通網民發布的微博數據為具體對象，按災前、災中和災后三個階段分析網民情感態度的演變趨勢，并利用主題聚類分析探索不同情感態度背后的主題因素，最后提出可預測性災害中網民情感態度引導策略的建議。研究發現，可預測性災害中災前和災后階段網民情感態度波動較大，存在引導空間。建議從災前預警信息發布和災害知識普及、應急物資供給保障、水電網設施的安全和搶修、社會化媒體平臺的運用等方面完善網民情感態度的引導策略。

關鍵詞：可預測性災害；網絡輿情；情感分析；主題聚類

★基金項目：江蘇省研究生科研與實踐創新計劃項目“可預測性災害中網絡輿情特征及引導策略研究”（項目編號：KYCX19_0996）；江蘇現代信息服務業決策咨詢研究基地資助項目“基于移動社交媒體的應急信息管理眾包參與模式研究”（項目編號：NYJD217003）。

引言

在諸如臺風、冰雹、暴雨、暴風雪等可預測性災害的情境下，網絡輿情在災前預警階段就已經開始形成，并貫穿于災中處置階段和災后恢復階段。與突發災害相比，災前預警階段是可預測性災害特有的階段，其網絡輿情中蘊含的網民情感態度將會直接影響社會民眾應對災害的情緒和心態，更會影響到政府應急管理部門在災害各階段的應急決策。因此，在可預測性災害中及時正確地引導網民的情感態度，有利于提升社會民眾應對災害的整體士氣，對政府應急管理部門的應急管理工作具有十分重要的現實意義。

近年來，網絡輿情中的情感分析和主題挖掘研究獲得了許多學者的關注[1]。有專注于具體分析技術的實現和改進的，例如Manek等人構造了一個特殊的吉尼系數來計算情感詞權重、劃分情感詞等級，并通過支持向量機對情感詞進行分類以提高情感分析的準確性[2]。錢進寶提出了一種融合情感向量模型的演化K-medoids情感動態分析方法，這種分析方法可以有效分析網民對熱點事件的情感動態，克服了傳統算法只能分析靜態數據的缺陷[3]。王靜茹和陳震提出了一種基于LDA模型的不同類型文本數據主題提取效果對比的評價方法，通過定量的主題提取效果進行對比研究，發現LDA模型在處理語義信息明確、邏輯關系合理的長文本數據時效果較好[4]。有偏重于在實際場景中對分析技術加以研究和應用的，例如Bai和Yu提出了一個包含三個階段的結構化框架，用于檢測災后情境中受害者的負面情緒，包括識別與災害相關的微博信息、提取負面情緒信息、引入機器學習方法跟蹤預測災民的負面情緒變化趨勢，然后通過對雅安地震的實例分析，證明該框架對災后救災和應急管理具有一定的指導意義[5]。情感分析和主題挖掘往往會在研究中被結合起來用于更全面的輿情分析。例如Huang等人提出了一種弱監督情感分析的主題模型，這種模型能同時分析消息中的情感和隱藏在消息中的主題[6]。王燦偉提出一種基于主題聚類的海量微博情感分析方法，結合情感詞典和表情符號計算微博情感值[7]。譚旭等人通過構造中文文本詞向量解析模型和RAE深度學習模型來實現文本信息的高層特征提取和情感分類[8]。王秀芳等人則提出一種基于話題聚類及情感強度的微博輿情分析模型，實現微博話題快速聚類及情感強度量化計算，通過時序回歸分析追蹤預測熱點話題的情感變化[9]。

不難發現，目前對于網絡輿情中情感和主題的分析方法較為豐富，各類分析技術的研究也日趨成熟。但當前與災害相關的網絡輿情研究較少依據災害事件的發生特點按階段進行分析，更缺乏特別針對臺風、暴雨這類具有明確災前預警階段的可預測性災害的分析，尚未充分探討此類災害中網民情感態度的內在特征及其引導策略。本文研究即以2018年“山竹”臺風為具體情景，基于其網絡輿情中網民情感的演化趨勢及背后的主題聚類分析，從時間和主題兩個維度總結網民情感態度的關鍵影響點，進而探討可預測性災害中網民情感態度的引導策略。

1、研究設計

本研究從新浪微博上抓取與“山竹”臺風相關的微博文本數據，通過情感正面概率值的計算統計和主題聚類等方法，對災害中網民情感態度的演變趨勢和情感態度背后的主題因素進行系統分析，然后基于分析結果對可預測性災害中的網民情感態度的特征進行討論，并針對性地提出具體的引導策略建議。

1.1 研究過程

本文研究具體的研究步驟以及用到的研究方法和工具闡述如下：

① 研究數據的獲取和預處理：本研究通過專門的輿情大數據管理軟件從微博平臺上抓取與“山竹”臺風相關的微博文本原始數據。自行編寫Python程序去掉重復、無效的內容，并對剩余的文本數據進行編分詞、去停用詞等預處理。

② 網民情感演變趨勢分析：通過Python程序調用適合中文文本分析的SnowNLP包，計算出每條微博文本的情感正面概率值。該值介于0到1之間，代表文本擁有正面（積極）情感態度的概率；然后按照災前、災中和災后的階段劃分對情感數據進行統計分析，繪制圖表來探討網民情感態度演變的趨勢。

③ 網民情感主題聚類分析：分別對消極情感和積極情感的文本數據進行主題聚類分析，即通過Python程序調用LDA（Latent Dirichlet Allocation，隱含狄利克雷分布）包對文本進行特征詞抽取，歸納出主題，然后根據災害發生階段和不同情感態度，分別探討主題演化的特征。

④ 討論與建議：基于上述對“山竹”臺風微博數據的情感和主題分析，進一步探討網民情感態度演變的深層原因，并提出可預測性災害中網民情感態度引導的策略建議。

1.2 研究數據

從微博搜索“山竹”臺風的結果來看，最早的災害信息在2018年9月7日出現，網民對“山竹”臺風的關注一直持續到十月初。因此，本文研究數據獲取的范圍是微博上2018月9月7日至30日與“山竹”臺風相關的微博文本數據，總計38272條。經過對原始數據中無效、重復的數據進行剔除，包括非普通網民發布、純轉發等對本研究沒有價值的博文，最終篩選出9634條有效數據作為最終研究數據集。根據可預測性災害的特征，我們將研究數據集分為三個部分：災前階段（9月7日至15日）、災中階段（9月16日）和災后階段（9月17日至30日），三個階段的數據量分別為：災前階段3583條，災中階段4140條，災后階段1911條。

2、網民情感演變趨勢分析

本文研究的最終目標是探討網民情感態度的引導策略，因此以情感分析為主線。為了得到合理的積極、中立、消極對應的情感正面概率區間，隨機抽取了1000條數據，通過人工方式對它們進行極性標注，然后與程序計算所得的情感正面概率值進行比對分析，最終確定情感正面概率值在（0，0.4）區間內的文本信息為消極情感，在（0.4，0.6）區間內的為中立情感，在（0.6，1）區間內的為積極情感。

2.1 網民情感態度極性占比分析

為了準確掌握網民在“山竹”臺風的各個階段中情感態度的變化規律，本研究首先分階段統計含有消極、中立和積極情感的數據占比，結果如圖1所示。

通過圖1可以看出，在此次臺風的各個階段中帶有積極情感的數據量占比均超過了50%，說明網民在此次災害中的情感態度總體上是積極樂觀的。但是，三種情感極性占比在災害發展的不同階段也有較為明顯的變化，含消極情感極性的數據占比先增后減，災前階段是26.43%，災中階段時增加到29.8%，而到災后階段則降至20.46%。相比之下，含積極情感極性的數據占比是先減后增，災前階段是60.23%，災中階段降低為55%，到災后階段又大幅增加至69.81%。且災前各情感占比值均位于災中和災后之間，災前情感較不穩定，存在較大的引導空間。

2.2 網民整體情感態度演變趨勢

在可預測性災害中，網民的情感態度在災前階段已形成，且網民情感態度的變化會通過影響網絡輿情的情感態勢而影響其他網民的言論和行動。為了分析“山竹”臺風中網民整體情感態度的演變趨勢，本研究根據先前得到的每條數據的情感正面概率值，按照日期計算出每日的情感正面概率均值，并繪出其演變趨勢圖，如圖2所示。

從圖2可以看出，在“山竹”臺風的整個網絡輿情環境中，網民的情感正面概率均值都高于0.6，網民整體的情感態度偏向樂觀。但網民情感正面概率均值在9月8日、9月16日達到了低谷，其中9月8日是災害信息剛發布的時間，網民突然得到災害預警，盲目恐慌導致情感正面概率均值迅速下降；9月16日是“山竹”臺風正式登陸的時間，屬于災中階段，受災群眾切身感受到了臺風災害的威力，導致網民情感正面概率均值大幅下跌。

2.3 網民消極和積極情感態度演變趨勢

在“山竹”臺風發生的整個過程中，網民整體的情感態度偏向樂觀，積極情感成為整個階段的主導情感極性，對網絡輿情的走向具有重要影響。但也不能忽略網民的消極情感態度，因為這些消極的情感態度如果不能及時被引導和消解，很可能發酵形成不良的輿論導向，對災害中的社會穩定形成沖擊。因此，本研究專門針對網民情感正面概率值處于消極范圍（0，0.4）的數據和處于積極范圍（0.6，1）的數據進行分析，分別計算出它們的日均情感正面概率值，并繪制出消極和積極情感態度演變趨勢圖，如圖3所示。

從圖3可以看出，無論是消極情感還是積極情感，在災前階段和災后階段變化波動都比較大，原因在于災前階段和災后階段時間跨度較長，網民的情感態度受主觀因素、外部輿論環境和周邊社會環境的影響。因此，災前階段和災后階段的網民情感態度都存在較大的引導空間，政府應急管理部門應充分重視這兩個時間段，積極開展相應的輿情引導工作，以及時消解網民的消極情感態度，形成更加積極的輿情環境。

3、網民情感主題聚類分析

上述研究理清了“山竹”臺風中網民情感態度的演變趨勢，給網民情感態度的引導提供了時間依據。為了更加有效地引導網民的情感態度，還需要進一步探究網民不同情感態度背后的真實原因，找出網民情感態度引導的主題依據。為此，本研究基于“山竹”臺風的三個發展階段，分別對消極情感態度和積極情感態度的微博數據進行主題聚類分析，探究與網民不同情感態度相關聯的主題。

3.1 消極情感態度下的主題聚類分析

表1按照災前、災中和災后三個階段展示了網民消極情感態度下的主題聚類結果，可以看出，與網民消極情感態度相關的主題較為集中。在災前階段，引起網民消極情感態度的微博主題主要集中于災前預警信息的發布、災前物資供應短缺和停電停水等問題；在災中階段，網民對臺風的正式登陸、航班停運、停電停水斷網和建筑物不安全等問題表現出了消極情感態度；在災后階段，讓網民產生消極情感態度的主題依然包括停電停水。

3.2 積極情感態度下的主題聚類分析

表2按照災前、災中和災后三個階段展示了網民積極情感態度下的微博主題聚類結果，與消極情感態度的主題聚類結果相比較，網民積極情感態度涉及的主題相對較為分散，涉及建筑、人文關懷、政府效率和社會集體榮譽感等方面。在災前階段，政府教育相關部門發布的停課停工通知、人們為災區群眾祈福大大緩解了臺風給網民帶來的恐懼，與去年的“天鴿”臺風對比也給網民帶來一定的心理緩沖，這些主題都催生了人們積極應對臺風的心態；在災中階段，除了停課、為災區群眾祈福之外，學校的人文關懷、社會工作人員熱衷奉獻的精神等成為積極情感主題的主導，例如為災中堅持工作的人點贊、高校送餐到宿舍、港珠澳大橋成功抵抗臺風等；在災后階段，積極情感相關的主題包括穿越叢林上班、災后恢復速度迅速、自愿綠色出行、教育孩子敬畏自然、臨時避災人員留感謝信等。

4、網民情感態度引導策略建議

上文“山竹”臺風具體情境下網民情感演變趨勢和主題聚類分析結果再次突顯了政府應急管理部門對網民情感態度引導的重要性，特別是在具有災前預警階段的可預測性災害中。網民情感演變趨勢的分析結果顯示，可預測性災害中災前預警階段持續時間較長，網民的情感態度很容易受到外部輿論環境的影響，存在較大的引導空間。因此，在可預測性災害的災前預警階段進行及時有效的網民情感態度引導，將會對災前群眾恐慌情緒的控制、預防工作的有序布置、災中及時有效的救援、災后的快速恢復產生重要的影響。進一步結合主題聚類分析挖掘出的網民不同情感背后的各類主題因素，本研究針對可預測性災害中網民情感態度的引導策略提出以下四點建議：

第一、權威的災前預警與災害知識普及相結合

從災前消極情感態度下的主題聚類分析結果可以看出，災前預警信息可能會引起網民的盲目恐慌。當官方的災前預警信息發布后，網民或自媒體會進行大規模轉發，在此過程中，有些新聞媒體或網絡自媒體會大肆夸大甚至編造臺風災害帶來的危害。同時，絕大部分普通網民對臺風災害的相關知識了解甚少，缺乏理性的認知，容易受到不實信息的誤導，結果導致大量無用、不必要的消極言論肆意蔓延，造成災前社會環境的混亂。因此，在可預測性災害的災前階段，政府應急管理部門應當首先加強官方信息的權威性，通過權威的官方媒體渠道及時發布和更新災害預警信息。其次，政府應急管理部門也應加強相關災害知識的普及工作，通過多種渠道發布與災害相關的基礎科學常識、防范知識和應急救援知識，從而引導普通網民理性看待災害和從容應對災害。總之，將權威的災前預警與災害知識普及相結合可以安撫網民對于災害的恐慌心理，有助于消解網民的消極情緒，也有利于更好地開展防災工作。

第二、充分重視災前應急物資供給

從普通民眾的角度來看，準備好應對災害的各種生活物資是災前防范措施中的重要內容。絕大多數人的災前物資儲備意識較強，會在預警階段準備維持日常生活的必需品。所以災前應急物資供給一旦出現短缺現象，就會引起廣大民眾的恐慌性搶購，這一點在消極情感態度下的主題聚類分析中有明顯的體現。因此，在可預測性災害中政府應急管理部門應充分重視災前的應急物資供給，將應急物資準備和調配作為災前階段的一項重要工作。應急管理部門可以與各路商家一起統籌合作，建立災前應急物資管理系統，根據各地區上報的應急物資儲備量，結合人口密度、區域面積等進行合理的應急物資調配，為群眾積極應對災害提供充分的物資保障。

第三、提高水電網設施安全度及搶修效率

由消極情感態度下的主題聚類分析結果還可以看出，停電停水斷網問題貫穿于整個災害過程中，是造成網民消極情感態度的重要原因之一。在目前生活水平普遍提高的背景下，停電停水斷網將會嚴重影響人們的正常生活。災害期間停電停水斷網的主要原因可能包括：為了避免人員由于觸電造成傷亡；水電網設施抵抗自然災害的能力的不足；搶修速度及搶修服務的效率低下。因此，在可預測性災害中政府應急管理部門應提前關注水電網設施的安全度，并努力提高它們的搶修效率。例如，在災前階段做好水電網設施的檢修工作，在安全的前提下盡量保證災區群眾日常生活中的用水用電用網；在必須停水停電的情況下，要做好提前通知和民眾情緒安撫等工作，最大程度地爭取群眾的諒解和支持。

第四、利用好社會化媒體平臺，積極與廣大網民溝通

從“山竹”臺風中網民積極情感態度下的主題涵蓋范圍來看，網民的積極情感大多是由于政府應急管理部門正確的應急決策和正面的主題宣傳激發的，例如“教育局發布停課通知”、“贊美災中工作人員”、“港珠澳大橋成功抵抗臺風”、“自發綠色出行”等，說明應急管理部門的工作受到越來越多的網民關注，網民期望及時得知官方的應急決策，也會自發地參與、支持政府的應急管理工作。因此，政府應急管理部門在著力應對災害的同時，也須利用微博、微信等社會化媒體平臺及時發布各項重大的應急決策和救援進展信息，及時澄清或糾正失實的言論，宣傳成功的典型應急案例，營造積極樂觀的救災氛圍。除此之外，政府應急管理部門也可以充分利用社會化媒體與網民展開交流，收集網民的各種反饋和建議，把握住災害應對過程中事關群眾利益的關鍵問題。這些措施可以鼓勵廣大網民積極參與到災害的應急過程中，有利于提高網民對政府應急管理部門的信任與支持，同時也鼓勵網民更加積極地配合政府的應急救災工作。

5、結論

為了探析可預測性災害中針對普通網民情感態度的有效的引導策略，本文研究以“山竹”臺風為具體情境，對普通網民在微博上發布的相關博文進行情感態度演變趨勢的分析，并在不同情感態度下深入挖掘態度背后的主題信息。分析結果顯示：網民在此次災害中的情感態度總體上是積極樂觀的，但是在災前階段和災后階段情感態度波動較大；與網民消極情感態度相關的主題較為集中，主要包括災前預警信息、應急物資短缺和停水停電等；而網民積極情感態度涉及的主題則相對較為分散，涉及停課停工、祈福活動、應急工作人員的奉獻精神、災后的綠色出行等等。基于上述分析結果，本研究最終從災前預警信息發布和災害知識普及、應急物資供給保障、水電網設施的安全和搶修、社會化媒體平臺的運用等角度提出了網民情感態度的引導策略建議。需要指出的是，本文研究的情感分類限于消極、中立和積極，其情感區分度較為有限，不能深入挖掘網民更為豐富的情感態度，這是本文研究的不足之處，也是我們研究團隊下一個努力的方向。

參考文獻：

[1] 孔建華.國內網絡輿情治理研究綜述[J].電子政務，2018（12）：67-78.

[2] Manek A S， Shenoy P D， Mohan M C， et al. Aspect term extraction for sentiment analysis in large movie reviews using gini index feature selection method and SVM classifier[J].World Wide Web， 2017， 20（2）： 135-154.

[3] 錢進寶.基于演化K-medoids方法的微博情感動態分析——以《穹頂之下》為例[J].情報雜志，2019，38（03）：155-159+165.

[4] 王靜茹，陳震.基于隱含狄利克雷分布的文本主題提取對比研究[J].情報科學，2018，36（01）：102-107.

[5] Bai H， Yu G. A weibo-based approach to disaster informatics： incidents monitor in post-disaster situation via Weibo text negative sentiment analysis[J].Natural Hazards，2016，83（2）：1177-1196.

[6] Huang F， Zhang S， Zhang J， et al.Mutimodal learning for topic sentiment analysis in microblogging[J].Neurocomp uting，2017，253：144-153.

[7] 王燦偉.基于主題提取的海量微博情感分析[J].南京大學學報（自然科學），2017，53（03）：549-556.

[8] 譚旭，吳俊江，徐磊，等.面向深度學習的多維度中文網絡輿情分析[J].小型微型計算機系統，2018，39（07）：1471-1477.

[9] 王秀芳，盛姝，路燕.一種基于話題聚類及情感強度的微博輿情分析模型[J].數據分析與知識發現，2018，2（06）：37-47.

作者簡介：

沈洪洲，管理學博士，副教授，南京郵電大學管理學院，研究方向：社會化媒體、網絡輿情；

馬巧慧，南京郵電大學管理學院碩士研究生，研究方向：網絡輿情；

沈超，管理學博士，副教授，南京郵電大學管理學院，研究方向：網絡輿情。