我國輿情決策研究的可視化分析

鄒汶君，張雙獅，夏一雪，陳 蕾

（中國人民警察大學 智慧警務學院，河北 廊坊 065000）

0 引言

輿情是衡量社會和諧的重要標志之一，反映了公眾對于當前社會環境的態度、意見、情緒，代表了一定時期內的社會集體意識［1］。當前，我國處于社會主義轉型期，各階層分化界限日益模糊，但利益分配仍存在突出矛盾，這就導致了公眾在一定程度上產生了“相對剝奪感”［2］，由此產生的不滿情緒在傳統民意表達途徑無法緩解的情況下，會通過新媒體途徑進行宣泄，相似負面情緒相互吸引聚集從而形成負面輿情。如2019 年6 月發生的“曾軼可事件”，粉絲數量龐大且擁有一定話語權的網絡大V，給輿情應對帶來了新的挑戰，一旦應對失誤便會造成負面輿情的產生，使得傳統意義上可控的事件變得難以管控。

在此背景下，政府部門和相關研究機構開始關注輿情決策問題，中國學術界意識到政府決策與輿情現象之間存在一定的關聯性，因此逐漸出現“輿情決策”這一概念，隨著社會的發展，越來越多的人了解輿情，參與輿情管理，輿情決策逐漸成為人們研究的熱點，隨著中外學術交流與合作的逐步增多，越來越多的學者意欲了解輿情決策的發展趨勢和研究現狀。因此，本文通過數據采集、基本統計以及研究主題熱點挖掘，借助知識圖譜可視化軟件展示當前輿情決策研究熱點及其演進趨勢，以期為輿情研究者了解國內外研究方向，掌握“輿情決策”發展態勢，提供可視化的科學依據。

1 文獻數據采集

根據波普爾的三個世界理論，人類無法將客觀的物質世界直接轉換成客觀的精神世界，必須要通過主觀的精神世界及數學思維、哲學思維等人類的智慧才能形成被大多數人理解的客觀知識［3］，因此我們需要借助知識圖譜可視化軟件將已獲得的文獻可視化，以更好地分析和展示輿情決策領域的研究熱點。

CiteSpace 主要針對研究某一領域研究主題的演進，因此本文使用CiteSpaceⅤ對從CNKI 中獲取的1 506 篇文獻進行研究熱點和前沿分析。通過構建檢索式 ［（主題＝輿情 或者 題名＝輿情 或者v_subject＝中英文擴展（輿情，中英文對照）或者title＝中英文擴展（輿情，中英文對照）］并且［主題＝決策 或者題名＝決策 或者v_subject＝中英文擴展（決策，中英文對照）或者title＝中英文擴展（決策，中英文對照）（模糊匹配）］，設置時間跨度為2003 年1 月1 日至2020 年7 月28 日，剔除會議、征稿，獲得相關主題文獻1 506 篇，對所得文獻進行基礎分析。

2 文獻基礎數據統計分析

2.1 年度學術產出及趨勢分析

對獲得的1 506 篇文獻進行年份統計，根據現有的年份文獻數量構建趨勢線和未來三年的預測，如圖1 所示。

如圖1 所示，我國“輿情決策”領域的文獻在2003—2005年學術產出穩步增長，但增長幅度不大，表明學術界開始關注這個領域的研究，雖然2006—2007 年出現短暫停滯，但是2008—2012 年文獻數量持續增加并于2009 年之后呈現跳躍式增長，表明期間“輿情決策”的研究熱度和受重視程度都在不斷上升，輿情決策問題引起更多學者的關注。2013—2015 年文獻數量下降，研究進入緩沖階段，研究視角亟待拓寬，研究主題亟待創新。除去2020 年的不完整數據，2016 年之后文獻數量迅速增長，代表“輿情決策”研究開始復蘇再次成為研究熱點。

趨勢線是對現有的數據進行線性分析，預測該領域研究是否成為研究熱點。判斷趨勢線是否有效最重要的兩個參數是“R 平方值”和“p 值”。“R 平方值”是對數據與線性模型的適合程度的測量，即模型解釋的數據中的方差與數據中的總方差的比率。一般情況下R 平方值小于等于1，大于0.8 且無限接近1說明所使用的線性模型適合本次趨勢分析。“p 值”是隨機機會結果的概率，表示該趨勢模型預測的顯著性。p 值越小，模型的顯著性就越高。通常認為等于或小于0.05 的p 值已足以滿足要求。

趨勢線為根據實際文獻情況學術產出得出，它的R 平方值為0.997 253，p 值為0.000 03，符合預測標準。由趨勢線可見，“輿情決策”領域受到學術界廣泛關注，未來三年學術產出量將持續增長。

2.2 機構分析

機構的文獻發文數量對判斷該機構在“輿情決策”領域的影響力有一定的參考價值。從表1 可以看出，學術產出機構排名前20 位的大部分是高校。排名前3 位的機構分別是天津社會科學院輿情研究所、電子科技大學、安徽大學，雖然這三所機構排名靠前但是與榜內前10 位的其他機構相差并不是很大。從學科建設看，輿情研究是天津社會科學院的重點研究方向，而電子科技大學和安徽大學并沒有相關領域的重點學科，傳播學是武漢大學、復旦大學的國家重點學科，但是在“輿情決策”方面并不是很突出。值得注意的是學術產出主要以學界研究為主，但是輿情決策研究是輿情領域的應用研究，從事輿情監測分析、決策支持的專業機構在理論研究方面尚未得到充分發展。

2.3 作者分析

作者在一段時間內的學術產出在一定程度上可以說明作者在該領域的活躍程度。通過CiteSpaceⅤ對文獻第一作者進行作者聚類，作者之間的連線反映同篇文獻共現，也能反映出研究團隊狀況，圖2 按照作者合作進行聚類顯示，Article Labeling 中閾值設置為2，出現5 個較明顯的合作網絡，分別是以蘭月新、夏一雪、張雙獅為核心的作者合作網絡；以張鵬、屈健為核心的作者合作網絡；以巴志超、毛進、安璐、李綱為核心的作者合作網絡；以洪福金、陳祥、張賢坤為核心的作者合作網絡；以李春發、王晟鍇、劉凱為核心的作者合作網絡。通過對比可知其中有2 個來自中國人民警察大學的輿情團隊，說明在輿情決策領域該學校的輿情團隊做出了重要的學術貢獻，該學校在學術產出中的排名也與他們有密不可分的聯系，這說明作者合作科研有利于增加學術產出和推進科研進展。

圖2 作者合作網絡

3 研究主題和熱點分析

關鍵詞是作者對文章內容的精煉，一般可以反映其文章的核心內容。而關鍵詞詞頻的高低分布則能夠表明該領域的研究熱點和動向。根據所采集的“輿情決策”相關文獻，運用共現分析法中的高頻詞、關鍵詞聚類的方法，對“輿情決策”的研究熱點進行分析。

對所獲得的646 篇文獻進行分析，設置CiteSpace 時間切割設置為1a，節點類型選擇主題和關鍵詞，閾值選擇以TOP 50為閾值，為了使網絡更加清晰可讀，網絡裁剪選擇Pathfinder和Pruning sliced networks，運行CiteSpaceⅤ形成111 個節點和233 條連線，經過聚類，得到如表2 所示的詞頻表、表3 所示的中介中心性表和如圖3 所示的關鍵詞共現可視化網絡。

圖3 關鍵詞共現可視化網絡

表2 詞頻統計表（TOP 10）

表3 中介中心性（＞0.01）統計表

3.1 詞頻和轉折點分析

CiteSpace 中的詞頻表示該關鍵詞在“輿情決策”領域的出現次數，頻次越高說明該關鍵詞下的文獻越多。中介中心性則用來衡量該關鍵詞在網絡中的重要性，具有高中介中心性的文獻通常是連接兩個不同領域的關鍵紐帶。從表2 可以看出“網絡輿情”的頻次明顯高于其他關鍵詞，達到136，而排在第二位的“大數據”僅為34，遠低于網絡輿情，當然這也與“大數據”在“輿情決策”領域出現時間較晚有關。結合高中介中心性統計表（表3）發現“網絡輿情”從2008 年在“輿情決策”領域出現以后，熱度和重要度都在第一位，說明“網絡輿情”自概念出現以來被學者持續關注。

表3 給出中介中心性最大的是關鍵詞 “網絡輿情”，達到0.59，其次是“大數據”，達到0.34。眾所周知，“大數據”這一概念是由著名的未來學家托夫勒在1980 年提出的，但是直到2009 年才在互聯網行業流行起來。根據知網提供的文獻數據可知，直至2010 年相關主題文獻才超過一百篇，但是隨著大數據技術的不斷應用，學術界越來越重視這一領域的研究，僅2014 年一年就突破了一萬篇。“輿情決策”領域有關“大數據”主題的第一篇文獻《基于云計算技術的大數據下企業危機管理系統研究》［4］于2014 年11 月的發表，從此這項來自互聯網行業的高新技術在“輿情決策”領域掀起了熱潮。從表中可知高中介中心性的詞主要出現在2008—2011 年，2011 年之后出現的只有受互聯網浪潮影響的“大數據”，所以近幾年該領域的研究創新力度和領域合作有待增強。

將兩表結合起來分析，可以看出“網絡輿情”和“大數據”既為高頻詞，也具高中介中心性。說明這兩個關鍵詞自出現之后引起了該領域學者的廣泛關注，是當前的研究熱點。單從兩表的出現年份分析，自2005 年出現第一個中介中心性大于0.01的關鍵詞之后，2006—2007 年“輿情決策”領域的研究出現了第一次停滯。直至2008 年“網絡輿情”的出現才使這一領域的研究出現回暖，該關鍵詞的學術貢獻在2009 年之后才得以體現。而2012 年出現的關鍵詞后勁不足，沒能使之前的學術繁榮之景得以延續。2014 年出現的 “大數據”“輿情信息”“實證研究” 的文獻由于研究周期較長，其優勢未能在2015 年體現出來，反而在2016 年嶄露頭角。2014 年至今沒有出現高中介中心性的關鍵詞，這說明“輿情決策”研究又將進入醞釀期。

3.2 關鍵詞聚類分析

從圖3 來看，“網絡輿情”研究仍處于研究初期狀態：網絡集中性強，重疊度高，研究分支少。圖譜中各節點有較強的關聯性，將閾值設為10 之后，從連線分布看同一主題的高中心性主題詞為關鍵節點，與其他主題的主題詞形成高密度連線。分析連線有利于理清節點之間、節點與聚類之間的關系。聚類結果如表4 所示。

表4 關鍵詞聚類

根據以上分析可將其分成四個階段：第一階段（2003—2005 年），起步期，研究內容雜亂，并沒有形成各自的體系；第二階段（2005—2012 年），繁榮期，大部分高頻關鍵詞在這段時間產出，形成不少聚類，“輿情決策”領域的學術產出迅速發展。但是，通過對比同質性，這段時間有4 個聚類形成，有2 個聚類同質性大于0.5，且＃6 同質性最高，超過了0.9，說明該聚類內的關鍵詞關聯性最強，但是頻次最低，說明這段時間雖然整體學術產出高但是“社會輿情”這一主題并沒有得到學者們的青睞；第三階段（2013—2015 年），暫緩期，學術產出下降；第四個階段（2016 年之后），新發展。

關鍵詞作為學術論文研究主題的精煉表達，其關聯性在一定程度上可以揭示該領域知識的內在聯系。以下對該領域的研究主題及其變化進行分析，辨識各個階段的研究主題。

＃2 聚類（決策）、＃7 聚類（輿情）雖然不是在共現網絡的中心位置，但是它們是整個輿情決策領域的理論基礎，起著舉足輕重的作用，是后續研究的基礎。

＃0 聚類（大數據）、＃1（網絡輿情）、＃3（公共政策）、＃4（網絡輿論）、＃5（群體性事件）、＃6（社會輿情）都是＃2、＃7 的理論延伸，是近幾年研究的熱點。尤其從圖3 中可以看到，網絡輿情是近期的研究熱點，該聚類內部網絡連線多而雜可見其規模之龐大。

＃6 聚類（社會輿情）處于網絡邊緣，呈現一定獨立性，雖然該聚類中包含的關鍵詞與其他聚類的關鍵詞有聯系，但是關聯性不強，聚類整體呈現獨立性。

＃0 聚類（大數據）雖然出現最晚，但是它的發展趨勢不容忽視，從圖3 中可以看出該聚類關鍵詞“大數據”已經達到一定規模，并且關鍵詞外圍呈粉紅色，說明該關鍵詞正在快速發展。

由于2003—2005 年各專家學者對輿情決策還處于探索階段，并沒有形成體系，且前文對該時間段進行了簡單的分析，所以這里不再贅述。

繁榮期：（2005—2012 年）——民意表達方向

這段時期包含的聚類有＃2 決策、＃3 公共政策、＃4 網絡輿論、＃6 社會輿情，主要以輿情與公共決策的相互影響為研究對象。比如以張麗紅［5］為代表的學者認為網絡輿情對公共決策有重大影響，并提出要想讓網絡輿情更好地服務決策，關鍵在于認真研判和監測并且擴大民意基礎。但是以盛明科［6］、金虹［7］為代表的學者則認為不能盲目根據網絡輿情進行決策，群體極化和網絡暴力會影響公共決策的有效治理，所以在這樣的前提下要加強網絡監管，優化網絡民意代表。其研究的主題主要涉及：①輿情決策機制研究。如張克生［8］等學者認為輿情機制是國家決策的根本機制，并提出了“‘利、權、責’三位一體的國家決策根本機制”。②輿情預警機制研究。如學者陳波［9］提出“分析研究社會輿情的特點和規律是建立社會輿情預警機制的前提和基礎”。③輿情與決策的關系。郭昭如、方娟［10-11］等學者認為“輿情有助于政府了解民意，科學決策，但是‘偽輿情’則會干擾決策”。

暫緩期：（2013—2015 年）——決策模型構建方向

這段時期包含的聚類有＃1 網絡輿情、＃5 群體性事件、＃7輿情，主要以輿情分析模型和決策模型構建為研究對象。比如以孫莉玲為代表的學者針對網絡謠言、突發公共衛生事件、高校學生網絡輿情分別構建了不同的研判模型［12-13］，引入了熱力學、空氣動力學、統計學等多種學科理論，進行廣泛的實證研究驗證模型可行性，并提出要根據輿情類型采用不同的分析模型對網絡輿情進行細分，以使決策更有針對性。其研究的主題主要涉及：第一，網絡輿情風險評價。我國學者通過分級評估指標體系［14］建立輿情風險評價體系為后續的輿情決策系統研究奠定了理論基礎；通過猶豫模糊語言B－平均（HFLBM）信息集成算法［15］構建輿情預測模型，以期實現對可能衍生為網絡輿情的事件進行預測，為后續的決策提供充足的考慮時間；通過E－CODT算法［16］實現對網絡謠言的高準確率判別，感知網絡謠言，使謠言受體能夠及時發布辟謠信息，避免謠言失控。第二，針對網絡輿情的政府決策模型建構。學者陳福集、鄭小雪［17］提出通過知識網格和知識地圖技術，建立政府應對網絡輿情的知識節點層次模型和政府知識服務網絡的物理拓撲圖，解決網絡輿情知識供需之間匹配與互聯的結構性問題，提高政府應對網絡輿情的能力。第三，網絡輿情輔助決策系統。我國學者分別從基于指標控制和知識挖掘［18］、案例推理［19］、主題檢測與追蹤［20］從海量的網絡數據中挖掘相關主題網絡輿情，輔助發現并預警，達到通過智能技術手段對輿情決策提供支持的目的。

由于2016 年之后是該領域的新發展階段，所以本文將在后文結合突現詞進行詳細的分析。

通過對關鍵詞共現分析發現，輿情決策研究不再是簡單的對某幾個輿情事件進行匯總然后統一提出應對措施，而是通過數據分析技術對輿情事件進行分類，然后按照類別提出對策，進一步說明“輿情決策”領域正在向科學決策方向邁進。

4 研究前沿探析

通過對研究前沿的分析，能夠幫助學者了解領域研究的最新動態，預測新的發展方向。Cite Space 創新性地增加了突現詞分析，通過突變算法計算短時間內某一關鍵詞的驟增情況來達到預測研究前沿的目的。設置閾值TOP 35，得到6 個突現詞，如圖4 所示。

圖4 突現詞分析

圖4（左）是根據關鍵詞突變的開始時間排序，圖4（右）是根據關鍵詞突變強度排序，相同時間內文獻增加數量越多Strength 值越大，Strength 值大于5 能夠說明該關鍵詞是目前及未來的研究熱點，從圖中我們可以看出利用“大數據”進行輿情“決策”研究將是未來的研究熱點。

新發展：（2016 年至今）——大數據方向

這段時期包含的聚類是＃0 大數據，主要以大數據時代對輿情管控的影響以及利用人工智能技術輔助決策為研究對象。比如倪萬［21］提出電影行業會受到市場行情、公眾觀影行為以及社會民眾情緒表達等多種因素的影響，需要利用數據挖掘手段整合分析。以瞿志凱、杜旭忠、王博［22-24］為代表的學者認為通過深入分析大數據對輿情事件的影響，提出更加適應大數據環境的輿情處置流程。

5 問題與展望

5.1 問題

目前，該領域研究存在的問題涉及：①網絡輿情下的精細劃分還有待完善，如電影輿情、防疫輿情等，若是將電影籠統地劃分為文化，將防疫劃分為政務，那么其專業度和針對性有待商榷。②雖然目前的技術可以對輿情事件進行預測，但是能否給出科學、有效的應對策略，輿情事件能否得到有效的應對，對于“有效”的有無科學的評定標準，都沒有形成體系。

5.2 展望

5.2.1 各學科將實現深度融合

不同學科，不同視角分析輿情信息可以呈現出不同的側重點，目前該領域的研究以傳播學與管理學、信息科學的交叉融合為最多，但近幾年也出現了與醫學、影視傳播、經濟學等學科的融合趨勢，尤其是吳鵬［25］提出的通過決策樹算法構建財經輿情可信度檢測框架，既可以幫投資者分析輿情的真實性，又為輿情決策提供了更獨特的理論視角，如果加快融合其他學科，豐富輿情決策理論框架，將推動該領域迎來新的繁榮期。

5.2.2 決策方式將更加多樣

由上文的數據分析可知，目前輿情決策的方式、模式都發生了轉變，由之前的行政決策、專家決策為主，向增強數據驅動決策、多元融合決策轉變。除了前文提到的決策樹算法構建可信度檢測框架以外，還有以董靖巍［26］為代表的學者通過建立網絡輿情動態演進模型，挖掘用戶行為規律，為輿情決策提供思路。

5.2.3 “產學研用”一體化將持續推進

習近平總書記在中央財經委員會第二次會議上強調要加強科技創新能力，推進產學研用一體化，鼓勵科研人員進企業，充分發揮人才創新創造活力。目前該領域的學研結合主要集中在黨政機關，與企業的聯動有待進一步加強，提升輿情決策的實際效用，“產學研用”一體化將逐步推進。

6 結語

2003—2019 年“輿情決策”研究經歷了起步、繁榮、暫緩、新發展四個不同的時期，雖然存在創新力度不夠，院校之間、校企之間合作能力不強等情況，但是總體呈上升趨勢，按照目前“大數據”成為研究熱點的情況，預計未來三年又會進入學術繁榮期，且接下來幾年會融匯各學科專業知識到該領域。熱力學理論、空氣動力學理論已經陸續被應用在輿情決策上。特別是隨著移動互聯網技術的發展，網絡成為大眾生活的重要組成部分，網絡輿情大數據成為了解民生民意和群眾訴求的寶貴資源，單純的專家決策遠遠不能滿足實際需求，智能化輿情決策是當前輿情決策研究的重點和熱點。

注：張雙獅為通信作者。