大數據環境下突發公共事件網絡輿情影響力生成機理研究
—— 基于模糊集定性比較分析

史建強 劉東郎

（云南財經大學國際工商學院,云南 昆明 650000）

1 引言

根據中國互聯網絡信息中心發布的第48次《中國互聯網絡發展狀況統計報告》中的有關數據，截至2021年6月，我國網民規模達到10.11億，互聯網普及率達到71.6%[1]。隨著互聯網信息技術的深入普及和廣泛應用，網絡因其傳播速度快、成本低廉、自主性強等特點，不僅成了突發公共事件危機信息傳播和社會公眾相關訴求表達的重要途徑，更推動了突發公共事件網絡輿情的生成和發展，以海量數據容量、流動快、高信息分散度、價值密度低等為主要特征的大數據輿情時代隨之到來[2]。《中國共產黨第十九屆中央委員會第五次全體會議公報》提出了“十三五”期間國家治理體系和治理能力現代化加速推進，取得巨大成就，防范化解重大風險體制機制不斷健全，突發公共事件應急能力顯著增強，在“十四五”期間，要繼續提升國家治理效能，完善共建共治共享的社會治理制度，加強國家安全體系和能力建設[3]。網絡安全治理現代化是新時代國家治理體系和治理能力現代化發展的客觀要求，而網絡輿情作為社情民意的真實反映，是網絡安全治理的重要內容。突發公共事件具有復雜性、突發性、不確定性和社會性等典型特征，極易引發網絡輿情的產生，但是海量的網上數據難以掌控，大量相關性、偶然性因素使輿情更加復雜多變，使真正真實、有效、有價值的數據占比很少[4]，因此在新的時代背景下，探究突發事件網絡輿情高影響力生成的核心條件和條件組成路徑，對理解和分析突發事件輿情的傳播邏輯、治理邏輯有著重要意義，能夠為國家治理體系和治理能力現代化建設做出貢獻。

2 前期研究

2.1 國內外針對大數據時代網絡輿情的研究

在大數據時代，如何快速對海量的輿情信息進行提取、分析，為決策者提供決策支持，是當下研究的熱點，眾多學者提出了利用大數據處理相關技術從海量的輿情信息中提取有價值信息，提供決策支持。在信息采集技術方面，眾多研究主要使用網絡爬蟲程序和網站API接口進行輿情信息的采集。比如王金峰等（2019）利用網絡爬蟲和新浪微博官方API接口相結合的信息采集技術進行輿情信息的爬取、收集和儲存[5]。其次，眾多學者將Single-pass聚類算法、SVM算法等應用于網絡輿情目標話題的發現與跟蹤，通過聚類將輿情信息匯總返回，并提供事件傳播軌跡。比如方星星等（2014）提出對新聞事件進行話題識別和跟蹤，使用Single-pass聚類算法，從文本聚類的精度和時效方面來進行漏檢率、誤檢率和耗費函數等的算法改進，取得顯著成果[6]。在網絡輿情數據的分析和計算方面，快速處理分析數據是一個重點需求，Hadoop因其高擴展性和高效性成為目前用來解決大數據處理的主流工具。諶志華（2017）提出建立一種使用Hadoop平臺進行數據處理，使用HDFS分布式文本系統儲存數據，使用MapReduce技術進行數據分析的網絡輿情分析系統，可以滿足處理海量輿情數據的需求[7]。網絡輿情的預警是數據處理分析后的重要環節，涵蓋了網絡輿情的早期預警、中期引導溝通和后期的評估總結。李金海（2014）基于大數據思想構建網絡輿情的文本挖掘模塊，對關系型數據庫和分布式數據庫進行了融合，并建立了評估預警模型[8]。

2.2 國內外針對突發公共事件網絡輿情的研究

已有的突發公共事件的網絡輿情研究選用多種方法從多個角度展開。在突發公共事件和網絡輿情的關系研究中，眾多學者提出突發公共事件和網絡輿情的聯系越來越緊密，比如學者Savigny提出突發公共事件極易造成網絡輿情的產生，而網絡媒介逐漸代替傳統媒介成了網絡輿情傳播的重要渠道，推動突發公共事件的進一步發展。其次，眾多學者選擇從典型案例的個案角度出發，進行突發事件網絡輿情的相關研究。如徐選華等以“8·12天津港爆炸”為背景案例進行分析，利用TF-IDF算法提取并量化風險感知，建立大群體應急決策質量打分函數來衡量不同階段的應急決策質量[9]；陽劍蘭等（2019）選取重慶“10· 28”公交車墜江事件，基于兩類風險源事故致因理論，從“安全閥理論”視角分析司乘沖突突發事件的危險源，聚焦突發公共事件的應急管理[10]。在突發公共事件網絡輿情影響因素方面的研究中，眾多學者提出突發事件網絡輿情研究是涉及多主體共同影響的復雜議題，袁國平（2015）等運用系統動力學考察了事件公共度、事件敏感度、網民質疑度和政府公信力四個方面對突發事件網絡輿情熱度的影響[11]，李明等（2020）基于信息生態視角，運用清晰集定性比較方法探究事件信息、發布主體、信息受眾、信息技術及信息環境五個解釋變量對突發事件網絡輿情的組態影響[12]。

2.3 國內外相關研究總結

總體看來這些研究有以下兩點特征：首先，多是借用一些理論和模型對網絡輿情的演化規律進行探析，突出大數據的技術優勢和治理方法，但想要真正實現有效治理就不能僅以技術治理而論；其次，多個研究成果是對單個案例進行探究，單個案例的研究局限在于其結論具有特殊性，難以推廣。現有文獻給本文研究提供了很好的借鑒，但當下對大數據環境下的網絡輿情治理研究仍有值得拓展的空間：一是突發公共事件的網絡輿情影響因素的研究；二是基于多案例的突發事件網絡輿情多種影響因素之間相互組態作用的研究。基于此，本文擬通過48起突發公共事件案例，采用模糊集定性比較分析方法，探討大數據環境下突發公共事件網絡輿情高影響力生成的前因條件及條件組合路徑。

3 大數據環境下突發事件網絡輿情定性比較分析

3.1 研究方法

定性比較分析方法（Qualitative Comparative Analysis，QCA）是由社會學家查爾斯·拉金（Charles C.Ragin）于1987年率先提出的，組態視角和QCA方法作為一種新興研究范式，能夠很好地解決復雜組態問題，被廣泛應用于社會學、管理學等領域。QCA對本研究具有適用性，首先，QCA是以多案例為導向，立足于組態視角，探究條件組合路徑與研究對象的因果關系的一種研究方法，在本研究中，QCA方法可以反映出突發公共事件發生后，影響因素之間的哪些組合路徑能夠導致其網絡輿情高影響力的生成；其次，本文采用模糊集定性比較分析（fsQCA）對所收集的突發事件案例進行系統比較分析，原因在于現實中的突發事件在變量賦值時很難通過“0”或“1”的二分取值法準確界定，而模糊集定性比較分析運用多取值校準法能夠更為精準地反映案例在所屬集合的隸屬度，進而根據多因素組合構型得出科學性結論。

3.2 突發事件案例選擇

本文的案例來源于知微事見平臺，知微事見平臺基于互聯網大數據理念和技術，對中國社會近年來特別是正在發生的熱點事件進行收錄、分析，平臺對全部事件進行體系化的分類儲存，對各類事件各個維度進行全方位的展示，在網絡輿情的研究領域中，已有眾多學者選取知微事見平臺作為研究案例庫，平臺公信度較高。本文以近年來知微事見平臺收集的突發熱點事件為基礎案例庫，同時輔以百度指數、新浪微博、清博輿論、蟻坊軟件等網站或數據庫進行事件案例補充。首先，選取2019—2021年3年間的60件典型案例作為研究的備選案例庫。其次，根據以下設定原則篩選，確定典型案例庫：（1）典型性；（2）多樣性；（3）階段性；（4）全面性。最后對案例支撐材料進行搜索、擴充和整理，最終確定48個案例，形成最終案例庫，部分案例如表1所示。

表1 突發事件部分案例

3.3 變量設計與賦值

當下，不同的研究者針對大數據環境下突發公共事件網絡輿情的指標體系建立可分為面向傳播和面向內容兩個方面，比如蓮芷萱等（2018）從事件類型與輿情特征兩個維度出發，建立了K-means聚類分析模型的指標體系[13]；鄭玄等（2021）根據網絡謠言的生成、發展和擴散機制，建立了大數據時代謠言傳播力影響指標[14]。本文借鑒前人的研究成果以及目前一些權威輿情軟件上的實時數據特征，建立本文研究變量。

第一，解釋變量。結合相關文獻與相關經驗，本文從事件敘述、事件傳播、網絡平臺、事件類別四個維度出發，確定了突發公共事件類型、網民關注度、媒體關注度、時間分布度、網絡分布度、輿情爆發強度和平臺影響力7個解釋變量。具體說明如下：

（1）事件敘述維度：事件信息敘述特征是描述輿情質量的指標。事件信息敘述特征主要是從受眾的角度上描述公眾對輿情事件的關注程度與認知水平，從事件關注度上看，由于商家炒作、媒體有意引導、網絡推手等人為作用的存在，造成不少輿情的虛熱。故本文從媒體、網民兩個角度出發，構建網絡關注度、網民關注度兩個解釋變量。

（2）事件傳播維度：信息傳播特征是衡量輿情傳播規模、爆發速度的指標，重在描述已經形成的網絡輿論環境的影響[13]。從輿情流通量和流通率出發，本文構建時間分布度、媒體傳播度和輿情爆發強度3個解釋變量。

（3）網絡平臺維度：信息平臺特征，主要描述某網絡輿情爆發的環境特性[13]。以微博、微信為主的自媒體平臺是網民獲取突發公共事件信息、傳播信息的重要平臺，逐漸成為網絡輿情的引爆者，不同的平臺有其不同的受眾群體，其觀點態度、影響能力為輿情擴散奠定基調，因此構建平臺影響力解釋變量。

（4）事件類別維度：對于突發公共事件而言，不同的分類角度可以劃分出不同的標準，常用的分類標準根據突發公共事件的發生過程、性質和機理進行劃分。本文根據國務院頒布的《國家突發公共事件總體應急預案》中對于突發公共事件的分類標準，將突發公共事件分為以下四類：事故災難事件、社會安全事件、公共衛生事件、自然災害事件。

第二，被解釋變量。本研究將突發公共事件網絡輿情影響力指數作為被解釋變量。本研究參考李晚蓮等[16]（2020）關于突發公共事件網絡輿情熱度結果的數據指標設定，選取大數據輿情監測平臺知微事見上突發公共事件的影響力指數作為被解釋變量。此項數據指標是由事件持續時間內網絡渠道上的累計傳播效果進行加和，并歸一化為0～100之間的指數所得。同時，對于選定的事件案例均通過百度指數平臺進行查詢、對比，最終確定被解釋變量的合理性。

數據校準與賦值：模糊集定性比較分析在數據分析前需進行數據校準，即設定三個定性的錨點，包括完全隸屬點、交叉點和完全不隸屬點，將所有案例數據標準化轉換至0～1之間，以判定賦值后案例的取向[15]。本研究的數據校準采用“四值模糊集校準法”，根據案例在解釋變量和被解釋變量的隸屬程度高低進行“0-0.33-0.67-1”四等分差校準，其中1=完全隸屬，0.67=偏隸屬，0.33=偏不隸屬，0=完全不隸屬。具體賦值標準見表2。

表2 賦值標準

3.4 真值表構建

根據模糊集定性比較分析步驟，在對變量進行設置與賦值后，需對案例進行編碼匯總，構建真值表。真值表的原理是通過布爾代數來考察結果是否發生時的具體狀態，進而得出組合條件在多大程度上影響結果的發生或不發生。本研究真值表如表3所示。

表3 真值表

4 研究結果與分析

4.1 單變量必要性分析

在模糊集定性比較分析中，首先要進行單個前因變量的必要性分析，可以找出能夠導致結果發生的必要條件，進而找出能夠導致結果發生的核心條件。其中一致性（Consistency）大于0.8時，可看作此單一變量存在，能作為結果變量的充分條件；一致性大于0.9時，能作為結果變量的必要條件；覆蓋率（Coverage）代表前因變量對于結果變量的覆蓋程度；“～”代表前因變量的相反值，即不存在。將案例數據導入到fsQCA3.0軟件，結果如表4所示，網民關注度（A）、網絡關注度（B）、媒體傳播度（D）和事件爆發強度（E）的一致性大于0.8，被視為事件高影響力生成的充分條件。在單變量的必要性分析中，沒有任何單變量的一致性檢測值大于0.9，據此可以得知，單個前因變量對于結果變量的解釋力較弱，即各單個變量均無法解釋結果變量的生發條件，因此本文將從多變量的組合視角探究條件組態對結果變量的影響。

表4 條件變量對結果變量的影響

4.2 條件構型分析

QCA分析結果為研究者提供了簡單解、復雜解和中間解3種條件構型解，其中簡單解納入全部邏輯余項運算（沒有實事案例對應的組態稱為邏輯余項），復雜解不納入邏輯余項運算，中間解納入部分有意義的邏輯余項運算，一般認為中間解為QCA分析中較優的解。在fsQCA3.0軟件中，將案例閾值設置為默認值1、一致性閾值設置為默認值0.8進行組態運算，最終得到突發公共事件網絡輿情高影響力生成的條件組合路徑如表5所示。

表5 突發公共事件網絡輿情高影響力生成的條件組合路徑

突發公共事件網絡輿情高影響力生成的條件組合路徑共有7條，其中解的覆蓋度（solution coverage）為0.848 75，解的一致性（solution consistency）為0.897 357，說明這些條件路徑的組合可以解釋大約85%的高事件影響力生成結果，具有較高的解釋力。

從表5可以看出，路徑一和路徑二是突發公共事件網絡輿情高影響力的核心路徑，它們的原覆蓋度都超過了40%[16]。通過對核心路徑的整合，可以將得到的突發公共事件網絡輿情高影響力生成公式簡化為“網絡輿情影響力=A*B*(C+D)*E*F”。從簡化后的公式可以看出，網民關注度、網絡關注度、事件爆發強度和平臺影響力雖然在單一變量的必要性分析結果中不是突發公共事件網絡輿情高影響力生成的必要條件，但在條件組合路徑中發揮了核心條件的作用。其余條件路徑的原覆蓋度雖然都沒有超過40%，但與核心條件路徑相比，都增加了G（事件屬性）這一前因變量，說明在一定數量的案例中，事件屬性對輿情高影響力推動具有重要作用。下面將通過本文案例庫結合代表性條件構型進行詳細分析。

經典構型：“A*B*（C+D）*E*F”即“網民關注度*網絡關注度*（時間分布度+媒體傳播度）*事件爆發強度*平臺影響力”。經典構型的網絡輿情生成機理表示突發公共事件發生后，相關咨詢、報道借助高影響力的微博、微信自媒體和其他網絡自媒體傳播效果顯著，事件爆發強度較大。有些事件在持續時間內，報道的相關信息的傳播均速維持在較高的水平，引發了較高的網民關注度；還有一些事件持續時間長，雖然其持續期間相關信息的傳播均速低，但也引發了網民的持續關注，突發事件網絡輿情呈高影響力的生發態勢。如本研究樣本中武漢宣布“封城”事件和武漢多地發生新型冠狀病毒感染的肺炎疫情是此構型組合的典型代表。前者事件持續時間較短，但在短時間內爆發強度較大，事件持續期間相關報道的傳播峰值達到了1 238條/小時，在該事件發生當天的事件輿論場中傳播峰值排名第二，引發了公眾和網絡媒體關注的信息風暴；后者事件持續時間較長，引發了網民和媒體的持續關注，推動事件網絡輿情影響力的上升。

網民驅動構型：“A*～B*（C+～D）*～E*～F*G”即“網民關注度*～網絡關注度*（時間分布度+～媒體傳播度）*～事件爆發強度*～平臺影響力*非常規突發公共事件類型”。網民驅動型的網絡輿情影響力的生成機理表示社會安全類、公共衛生類非常規性突發公共事件發生后，相關咨詢和報道在自媒體和網絡媒體上還未爆發、傳播，但在同一時期的事件輿論場中，網民對此事件關注度高，主動討論、傳播，推動事件網絡輿情影響力持續上升，有些事件持續時間較長，配合網民的持續關注，最終形成高影響力的生發態勢。如本研究案例中杭州網約車司機更改路線乘客跳車事件是網民驅動構型的典型代表，此事件發生后在當日網民輿論場排名達到峰值第1，輿論場占比為22%，更引出了對“網約車行業監管”“性別矛盾”等熱點話題的激烈討論，最終事件呈現高影響力的生發態勢。

媒體驅動構型：“～A*（～B+B）*～C*(D+～D)*E*～F*G”即“～網民關注度*～網絡關注度*～時間分布度*媒體傳播度*事件爆發強度*～平臺影響力*非常規突發公共事件類型”，媒體驅動型的網絡輿情影響力生成機理表示社會安全類、公共衛生類非常規性突發公共事件發生后，一些事件呈現出媒體關注度低，但事件持續時間內相關報道的平均傳播速度較高，另外一些事件呈現出媒體關注度高、網絡分布度較低的特點，這些事件的共同屬性為網民關注度高、事件爆發強度大，推動事件網絡輿情影響力呈上升態勢。如本研究案例庫中昆明劫持人質案件和民航總醫院傷醫事件是媒體驅動構型的典型事件。前者事件持續期間有40家重要媒體進行了報道，發生后峰值傳播速度高達494條/小時，高媒體傳播度和事件爆發強度助推該事件影響力上升；后者事件持續時間內相關報道平均傳播速度為14條/小時，事件發生后峰值傳播速度高達452條/小時，高媒體關注度和事件爆發強度助推該事件影響力呈高生發態勢。

雙驅動構型：“A*B*～C*D*～E*～F*～G”即“網民關注度*媒體關注度*～時間分布度*媒體傳播度*～常規突發公共事件類型”。雙驅動構型的網絡輿情影響力生成機理表示自然災害類、事故災難類常規性突發公共事件發生后，由于此類事件具有不確定性、突發性、危害性等特征，存在對人民的生命財產安全造成損失的可能，因此網民關注度較高，并且較多的網絡渠道會進行相關信息的報道，持續時間內相關的咨詢、報道等傳播速度維持在較高的水平。如本研究案例庫中“青海發生7.4級地震”是雙驅動構型的典型案例，該事件發生后，青海啟動重大地震災害Ⅱ級應急響應，地震所造成的人員傷亡和經濟損失巨大，引發了網民和媒體的高度關注，最終生成高影響力輿情。

4.3 穩健性檢驗

模糊集定性比較分析穩定性檢驗的方法通常有四種，包括調高一致性閾值、增加和剔除案例、新增前因條件和提高PRI一致性[17]。結合已有的研究經驗，本文采取調高一致性閾值作為本文的穩健性檢驗方法，將案例一致性閾值由0.8提升至0.85。穩健性檢驗結論顯示，原有結論與穩健性檢驗結論基本一致，數據分析的結果具有穩健性。

5 結論與討論

本研究基于大數據環境視角，對突發公共事件網絡輿情的影響力從事件敘述維度、事件傳播維度、網絡平臺維度、事件類別維度4個視角出發，確定了網民關注度、網絡關注度、時間分布度、媒體傳播度、事件爆發強度、事件類別7個數據指標。在此基礎上運用模糊集定性比較分析法對選取的48個典型案例進行分析，旨在發現影響突發公共事件網絡輿情高影響力的生發條件以及條件構型，為相關部門突發公共事件的網絡輿情引導、治理提供參考。通過不同的條件構型，結合數據結果，本研究得出以下結論：

第一，事件敘述維度、網絡平臺維度中的前因條件是突發公共事件網絡輿情高影響力生成的核心條件。在經典構型中，事件敘述維度和網絡平臺維度發揮了網絡輿情高影響力生成的核心條件作用。從事件敘述維度來看，網民關注度在本文數據層面使用事件發生后，單位時間內在整體事件輿論場中的占比體現，反映了網民的表達意愿和參與事件的解決意識高漲；媒體關注度體現了網絡傳播渠道的規模，大數據時代的到來增強了網絡媒體行業間的競爭，突發公共事件作為社會熱點事件，引發的媒體大規模報道，增強了事件網絡輿情高影響力的生發態勢。從網絡平臺維度來看，社交自媒體相較于新聞媒體，內容更為多樣，數據更為繁雜，微博、微信自媒體平臺具備內容簡短、流量大、依托熟人圈傳播的特征，“兩微”平臺逐漸成為突發公共事件相關信息發酵和傳播的主要源頭，也是事件網絡輿情高影響力的重要條件之一。

第二，非常規性突發公共事件借助重要網絡媒體傳播，更容易助推事件網絡輿情影響力的提升。從媒體驅動構型看，非常規突發公共事件在持續時間內，重要媒體關于事件咨詢、報道的平均傳播速度維持在較高的水平，而自媒體平臺的影響力較低，凸顯出質量新聞媒體的重要性，也體現了非常規突發公共事件發生后，由于其突發性、不確定性、危害性的特征，相較于自媒體平臺的個性化結論對事件網絡輿情影響力的影響，重要媒體對發生事件的觀點與報道更能推動事件網絡輿情影響力的提升。

第三，網民對事件信息選擇性討論、傳播的挑戰，提升突發公共事件網絡輿情高影響力生成的可能。從網民驅動來看，出現了“高網民關注度*低媒體關注度”的條件構型，可以反映出大數據環境下，網民已經成突發公共事件網絡信息的重要傳播環節，其關注度是能夠反映出事件輿情的發展態勢和輿情治理方向的重要指標。自媒體網絡平臺促進了信息的開放和傳播的便捷，大數據時代各類數據都容易獲得，越來越多的意見領袖、普通網民通過數據分析得出的個性化結論不僅會無脛而行，而且能夠使輿論的話語權愈發分散，一些偏激類觀點會更容易找到“同類”，并相互支撐、強化放大，造成輿情分散，增強事件網絡輿情管理的難度。

本研究也存在一定的局限性，需要進一步的改進。首先，在案例選擇樣本上，可能會存在因主觀判斷而造成選擇性偏差；其次，突發事件網絡輿情是涉及多方主體的復雜研究，本文在前因變量設計中，未能顧及如“政府”等其他主體。這些問題將是筆者日后深入研究的著力點。