基于AHPSortⅡ的突發事件網絡輿情群體極化風險評估研究

關鍵詞： ＡＨＰＳｏｒｔⅡ； 突發事件； 網絡輿情； 群體極化； 風險評估

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０５．００９

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０５－０００１－０２

我國頒布的《中華人民共和國突發事件應對法》中明確指出： 突發事件包括自然災害、事故災難、公共衛生事件和社會安全事件。近年來， 各類突發事件頻發， 給人民群眾的生命、財產安全造成了極大危害， 嚴重影響國家安全和社會穩定。據中國互聯網絡信息中心（ＣＮＮＩＣ）發布的第５１ 次《中國互聯網絡發展狀況統計報告》顯示， 我國網民規模已達１０ ６７ 億， 互聯網用戶在社交媒體平臺上表達觀點和態度的熱情正不斷增加， 針對突發事件網絡輿情而產生的群體極化現象已呈現上升趨勢。因此，如何在突發公共事件中對網絡輿情群體極化現象進行有效控制， 是突發危機情境下網絡信息失序治理與輿情導控的重要課題。

群體極化現象是輿情演化的重要結果之一， 美國學者凱斯·桑斯坦在其著作《網絡共和國》中將群體極化定義為： 經由群體討論之后， 群體態度往往比討論之前的群體成員個人態度的平均值更趨向極端化的社會現象［１］ 。現有研究已經對網絡輿情群體極化的影響因素、形成機理、現象識別以及風險評估進行了一定程度的探索。其中， 文獻［２－３］根據社會比較理論和有力論據理論對群體極化影響因素進行了探究并提出輿情預警模型。文獻［４－５］則綜合社會比較理論和有力論據理論， 提出引發社會情緒的事件、網民群體的協同、新媒體賦能及網絡社交媒體平臺中的匿名性帶來的責任分散等關鍵要素對網絡輿情風險預警與識別具有重要影響。文獻［６］基于社會燃燒理論提出系列解釋變量， 對社交媒體群體極化的生成路徑進行探究。文獻［７］以自我歸類理論與以社會規范理論為基礎且強調個體之間有限信任的Ｗｅｉｓｂｕｃｈ－Ｄｅｆｆｕａｎｔ（ＷＤ）模型結合，構建新的ＳＣＴ 模型用于群體極化的仿真研究。從主體影響因素來看， 網絡用戶的“從眾” 與“集體無意識” 是其不可忽視的心理基礎［８］ 。從客觀因素來看， 一方面是由于互聯網的“技術風險特性” 即我國經濟社會轉型期間社會矛盾郁積向“空間轉移”［９］ ； 另一方面， 網絡熱點議題驅動和過濾算法推薦也對群體極化的形成具有推動性作用［１０］ 。此外， 網絡輿情群體極化的識別與測度也是目前重要的研究方向。文獻［１１］論證了極端觀點是群體極化風險最主要的呈現形態， 構建了ＴＣＭＣＲ 極端觀點識別模型。文獻［１２－１３］指出在網絡輿情發展階段， 群體極端意見的數量變化是群體極化識別的重要指標， 極端意見數量與群體意見總數量可以反映群體極化強度。文獻［１４－１５］將網絡用戶畫像、復雜系統結構等技術思想用于群體極化的分析與識別。

然而， 突發事件網絡輿情群體極化風險評價是一個多層級的、復雜的系統性工作， 現有研究在群體極化風險形成的多屬性量化方面存在不足。本文在三元空間視域下， 對散布在物理空間、社會空間、信息空間中不同類型的動力要素進行歸納， 再根據風險耦合形式構建測度指標體系并對群體極化風險進行評價測度， 為主管部門準確掌握群體極化風險的產生、發展狀態及其演化趨勢， 實現對相關風險的科學分類和分級提供充分的理論支持。

本文研究主要解決以下３ 個問題： ①結合突發事件網絡輿情風險在物理空間、社會空間、信息空間中的運行模式， 構建突發事件網絡輿情群體極化風險評估模型； ②采用層次聚類法（ＡＨＰＳｏｒｔⅡ）對突發事件網絡輿情群體極化風險進行等級劃分；③以突發事件為例開展實證研究， 對所構建的突發事件網絡輿情群體極化風險評估方法進行驗證和評價。

１ 突發事件網絡輿情群體極化風險致因因素及風險評估指標體系構建

１.１ 突發事件網絡輿情群體極化風險的致因因素及運行模式

根據群體極化的定義， 群體極化的核心要素包括非理性交互和極端觀點。非理性交互是群體極化的必要條件， 極端觀點是群體極化的結果。突發事件網絡輿情群體極化是一個復雜的系統， 在物理空間、社會空間、信息空間中各種風險要素耦合及風險疊加的情況下發生并形成突發事件網絡輿情群體極化風險。

為了更好地理解突發事件網絡輿情群體極化風險在物理空間、社會空間、信息空間中的分布及其不同空間中風險結構的相互作用關系， 本文通過整合風險要素、危機情境下的風險表現、風險傳導路徑形成了群體極化風險結構框架， 如圖１ 所示， 用以解釋風險要素耦合、風險疊加和風險傳導。

在突發事件網絡輿情群體極化風險結構框架中， 包括物理空間的突發事件原發社會風險、社會空間的用戶非理性交互風險和信息空間的信息失序風險。突發事件的原發社會風險包括外在風險和內在風險。安東尼·吉登斯（Ａｎｔｈｏｎｙ Ｇｉｄｄｅｎｓ）［１６］ 認為，自然災害、事故災難、公共衛生事件屬于“外在風險（Ｅｘｔｅｒｎａｌ Ｒｉｓｋ）”， 社會安全事件屬于“內在風險（Ｉｎｔｅｒｎａｌ Ｒｉｓｋ）”， 外在風險的處理難度通常小于內在風險。按照恩里克·克蘭特利（Ｅｎｒｉｃｏｌ Ｑｕａｒ?ａｎｔｅｌｌｉ）［１７］ 的理解， 自然災害、事故災難、公共衛生事件都屬于“一致性危機”， 社會安全事件屬于“分歧型危機”， 常常引發群體性突發事件。社會安全事件通常將矛頭直接指向核心制度、主流價值觀或社會結構， 挑戰現存秩序的合法性和正當性，而自然災害、事故災難、公共衛生事件主要產生人員傷亡、財產損失， 作用對象主要為普通民眾， 因此其社會危害更加廣泛［１８］ 。在突發事件危機情境下， 由突發事件危害性、緊迫性和不確定性引發的原發社會風險在吸引大量民眾關注的同時， 也通過信息傳播映射至信息空間。民眾在通過社會空間中原有的社交關系網絡獲取突發事件信息的同時， 也可從信息空間中的社交關系網絡獲取突發事件信息， 并在社交媒體平臺展開討論， 從而形成新的社交關系網絡并映射至信息空間。網絡用戶在信息空間中失序信息的催化下開展非理性交互行為， 并在交互嗜同性及推薦算法的推動下， 形成了關系更為緊密的在線社交關系網絡， 進一步增大了用戶非理性交互的風險。在此過程中， 來自于物理空間和社會空間的風險， 如： 管理部門的應對失誤、媒體信息傳播的失范等相關風險將凝結成為信息空間中的信息失序風險。因此， 突發事件輿情群體極化風險是在三元空間（物理空間、社會空間、信息空間）中各風險要素耦合、疊加作用下形成的。在物理和社會空間中， 其表現形式為極端觀點或極端情緒在輿情受眾群體中占據主體， 在信息空間中則以風險性用戶偏好大數據的形式存在。

１.２ 突發事件網絡輿情群體極化風險評估方法

突發事件網絡輿情群體極化風險評價方法模型由風險評價描述、風險評價過程、風險等級劃分３個模塊構成。風險評價描述是風險評價前的準備工作， 內容包括目標定義和數據定義。風險評價過程的內容是對各個指標進行計算， 也是整個評價的核心工作。風險等級劃分是評估結果的輸出模塊， 從而得到群體極化風險等級。突發事件網絡輿情群體極化風險評價方法模型如圖２ 所示。

群體極化風險評價的過程主要通過多準則分類方法， 指標權重的賦值采用層次分析法（ＡＨＰ）。層次分析法的主要內容包括： 結合定性與定量分析，將同決策的多種要素分解為３ 個層次［１９］ 。定義備選方案的分類是根據ＡＨＰＳｏｒｔⅡ計算參考點和指標Ｃｉ 的局部優先級， 并依據指標權重計算邊界的全局優先級和備選方案的全局優先級后， 得出的群體極化風險的等級。已有研究通過多種方法， 從不同角度出發對突發事件網絡輿情風險指標的涉及進行了探索， 如采用熵權法［２０］ 、德爾菲法和層次分析法［２１］ 、灰色統計法［２２］ 、層次分析法［２３］ 等， 針對網絡謠言［２４］ 、政府信息公開輿情風險［２５］ 等具體領域的輿情風險建立了相應的指標體系。

１.３ 突發事件網絡輿情群體極化風險評價指標體系設計

本文根據突發事件網絡輿情群體極化特征與致因因素， 參考已有研究中的突發事件網絡輿情風險指標體系， 構建突發事件網絡輿情群體極化風險評價指標體系， 并使用層次聚類法結合主觀賦權方法確定指標權值。所得風險評價指標體系如表１ 所示。

突發事件網絡輿情群體極化風險評價指標體系包括目標層、準則層、指標層。目標層為突發事件網絡輿情群體極化風險評價， 準則層為群體極化風險在三元空間中解構的突發事件原發社會風險評價、突發事件網絡用戶非理性交互風險評價、突發事件網絡輿情信息失序風險評價。一級指標為三元空間中群體極化風險構成風險的影響要素。二級指標為群體極化風險形成的具體屬性細分。

１.４ 突發事件網絡輿情群體極化風險評估指標值獲取方式

在突發事件網絡輿情群體極化風險評價指標體系中， 一部分邏輯值指標可直接判斷； 一部分定性指標和邏輯值指標由專家進行判斷， 如應對時效性（Ｓ１１）、應對合理性（Ｓ１２）、信息不確定性（Ｓ２６） 等；一部分定量指標可直接獲取結構化數據， 如人員傷亡（Ｓ１）、財產損失（Ｓ２）、持續時長（Ｓ５）、網絡用戶年齡分布（Ｓ１７）等； 還有一部分指標， 則需要調用其他方法、模型進行計算， 如網絡用戶負向情感占比（Ｓ１４）、網絡用戶情感負向演化方向（Ｓ２０）等指標， 涉及定性、定量、邏輯值３ 種類型。指標內容主要涉及通過對自然語言的處理， 得出相應語義信息。

１. ４.１ 通過統計獲取結構化數據

由統計網絡輿情結構化數據得到指標主要包括人員傷亡（Ｓ１）、財產損失（Ｓ２）、持續時長（Ｓ５）、信息公開時效性（Ｓ１３）、網絡用戶受教育水平（Ｓ１５）、與突發事件相關職業占比（Ｓ１６）、網絡用戶年齡分布（Ｓ１７）、轉評贊數量（Ｓ１９）、網絡用戶發布信息數量（Ｓ２５）以及信息中圖片、視頻占比（Ｓ２９）。其中人員傷亡和財產損失可由新聞報道得出。持續總時長可參考網絡輿情熱度指數， 各時序節點的持續時長則為具體數據。信息公開時效性為突發事件發生后至官方報道相關事件的時長， 可以以小時或天為單位。其他則為獲取的網絡輿情數據中的具體數據， 即獲取的網絡輿情數據不僅包括輿情內容， 也包括網絡用戶基本信息以及網絡輿情內容隨時間發展的具體數值。此部分指標因涉及使用極差標準化，可以定義最大值和最小值在整體事件發生過程中的極值， 實際值為風險評價時間節點上的真實值。但在這種情況下， 則無法對突發事件網絡輿情群體極化風險進行實時評價， 可以通過專家根據過往相似突發事件給出相關極值。

１.４.２ 通過專家評價獲取主觀評價數據

對于影響地域范圍（Ｓ６）、影響社會范圍（Ｓ７）、應對時效性（Ｓ１１）、應急合理性（Ｓ１２）、刻板特征影響（Ｓ１８）、是否存在虛假信息（Ｓ２２）、是否存在惡意信息（Ｓ２３）、信息不確定性（Ｓ２６）、是否存在錯誤信息（Ｓ２７）、是否存在“信息繭房” （Ｓ２８）等指標， 由于無法直接獲取結構化數據， 且通過二次計算也難以實現并無法保證客觀性與準確性， 因此選擇通過專家評價獲取相關指標的主觀評價數據。專家評價前首先與專家充分溝通， 使專家對輿情事件、評估目標、指標體系充分了解， 然后對指標體系展開討論并形成頭腦風暴， 在充分理解網絡輿情群體極化風險的概念、內涵、外延等內容后， 遵循層次分析法（ＡＨＰ）對突發事件網絡輿情群體極化風險評估指標進行評價并構建判斷矩陣。專家評價過程使用ＹＡＡＨＰ 軟件實現， 有助于保證專家評價的便捷性及評價數據的一致性。對難以使用數量級評價的指標， 選擇使用模糊語義方式進行評價。涉及指標包括影響地域范圍（Ｓ６）、影響社會范圍（Ｓ７）、應對時效性（Ｓ１１）、應急合理性（Ｓ１２）、刻板特征影響（Ｓ１８）、信息不確定性（Ｓ２６）。通過模糊語義進行評價包括極低、中低、低、中、中高、高６ 個標準。模糊語義作為一種彈性語言， 是指外延不確定、內涵無定指的特性語言。與精確語言相比， 模糊語言具有更大的概括性和靈活性。這種概括性與靈活性集中反映在語言外延上。得到語義模糊集后， 將語義模糊集轉化成為直覺模糊集， 然后可以參與計算。直覺模糊集是傳統的模糊集的一種拓展， 它同時考慮了隸屬度、非隸屬度和猶豫度這３ 個方面的信息， 因而比傳統的模糊集在處理模糊性和不確定性等方面更具靈活性和實用性。另外，專家評價的模糊集也是確定專家權重的重要依據。在直覺模糊多屬性群決策問題中， 通過直覺模糊數計算專家的權重， 其本質是通過定義直覺模糊集的模糊熵計算專家判斷信息的模糊程度， 專家判斷信息的模糊程度反映了專家對決策問題的了解程度，進而用來確定專家的權重。專家權重的合理與否對決策結果的準確性至關重要， 因此， 確定合理的專家權重具有重要的現實意義。

１.４.３ 網絡用戶情感、觀點相關指標計算

需要使用用戶情感模型計算的指標包括： 網絡用戶負向情感占比（Ｓ１４）、網絡用戶情感負向演化方向（Ｓ２０）、觀點演化速度（Ｓ２１）。

本文選擇情感知識增強預訓練模型（ＳｅｎｔｉｍｅｎｔＫｎｏｗｌｅｄｇｅ Ｅｎｈａｎｃｅｄ Ｐｒｅ－ｔｒａｉｎｉｎｇ， ＳＫＥＰ）進行情感極性、情感值、情感演化、觀點演化的識別與計算。ＳＫＥＰ 是百度在２０２０ 年提出的情感預訓練模型， 在情感分析典型人物上全面超越了ＳＯＴＡ， 相關論文被ＡＣＬ２０２０ 錄用［３５］ 。

情感是人類認知的重要組成部分， 讓機器具備情感分析能力是實現機器認知智能的必要環節。具體來說， 情感分析旨在自動識別和提取文本中的傾向、立場、評價、觀點等主觀信息。它包含各式各樣的任務， 比如情感傾向分類、實體級情感分類、觀點抽取、情緒分析等， 整體上這些任務均依賴于深入的情感語義理解。近年來， 基于預訓練的語義理解獲得了迅猛的發展， 顯著提升了各類自然語言處理任務的效果。相比于通用預訓練主要關注事實型文本（如新聞、百科等）， 情感分析更側重于分析主觀型文本中蘊涵的情感和觀點， 因此， 采用了無監督方法自動挖掘情感知識， 然后利用情感知識構建預訓練目標， 從而讓機器學會理解情感語義［３６］ 。

２ 基于ＡＨＰＳｏｒｔⅡ的突發事件網絡輿情群體極化風險等級分類評估

多準則分類是多準則決策（Ｍｕｌｔｉ－Ｃｒｉｔｅｒｉａ Ｄｅｃｉ?ｓｉｏｎ Ｍａｋｉｎｇ， ＭＣＤＭ）中的重要部分， 它針對的是在管理決策中將多個方案在若干準則下分門別類的問題。多準則決策又可以分為３ 類： 選擇（Ｃｈｏｉｃｅ）、排序（Ｒａｎｋｉｎｇ）和分類（Ｓｏｒｔｉｎｇ）［３７］ 。選擇和排序只能解決“最優與最差” 的問題， 多準則分類決策卻能將每一個評價對象劃分到相應的類別， 對于所有的對象都能給出合理的評價。已有研究對多準則分類進行大量研究， 從基于數據包絡分析（ＤＥＡ）方法［３８－３９］ 、基于ＥＬＥＣＴＲＥ 法［４０－４３］ 、基于層次分析法（ＡＨＰ）［４４－４５］ 探索多準則分類的多種方法。

本文選擇ＡＨＰＳｏｒｔⅡ方法原因在于相比其他多準則分類方法， ＡＨＰＳｏｒｔⅡ克服了其他方法比較次數與一致性方面的缺點， 極大程度地減少了計算的復雜性， 提高了計算的效率。而相比ＡＨＰＳｏｒｔ 方法， ＡＨＰＳｏｒｔⅡ不需要像ＡＨＰＳｏｒｔ 在計算邊界局部優先級時， 將各類邊界內所有備選方案與特殊點兩兩比較。ＡＨＰＳｏｒｔⅡ是使用參考點與邊界點做兩兩比較計算局部優先級。在本文研究的實際情況中，并不是對多項群體極化風險進行同時分類， 而是針對某一輿情事件多個時序節點判斷是否具有群體極化風險， 以及群體極化風險的等級， 即同一輿情事件在不同時序節點的狀態是備選方案集。在此情況下， 各備選方案之間大多數指標值存在相同或相似的情況， 因此， ＡＨＰＳｏｒｔⅡ方法在備選方案間的比較中計算局部優先級的效果優于其他方法。

２.１ 使用直覺模糊集方法的定性數據描述及專家權重賦值

在實際多準則決策過程中， 由于決策問題本身所具有的大量不確定性信息， 包括不可量化的信息、不完整的信息或不可獲取的信息， 很難依靠精確數據對其進行刻畫， 而模糊集為表示和操作上述數據提供了很好的方法， 因此產生了模糊多屬性群決策方法［４６］ 。在此基礎上， 隨著決策問題的進一步復雜以及個人經驗、知識水平的限制， 決策者會經常表現出一定的猶豫度或不確定度， 傳統的模糊集理論在處理這種猶豫性時表現出很大的局限性， Ａｔａ?ｎａｓｓｏｖ Ｋ Ｔ［４７］ 從隸屬度、非隸屬度和猶豫度３ 個方面描述不確定信息， 提出了直覺模糊集（Ｉｎｔｕｉｔｉｏｎｉｓ?ｔｉｃ Ｆｕｚｚｙ， ＩＦ）， 在處理不確定信息時具有更強的表現能力。

３ 實證研究

２０２１ 年７ 月１７ 日起， 我國河南省部分地區遭遇極端強降雨襲擊， 河南省氣象臺２０２１ 年７ 月２０日９ 時００ 分發布了暴雨紅色預警， 截至２０２１ 年７月２１ 日， 鄭州市累積平均降水量達４４９ 毫米。期間， “河南暴雨” “鄭州地鐵” “京廣隧道” 等多個話題登上微博平臺熱搜， 吸引大量用戶關注。據“知微事見” 全網熱點輿情事件平臺分析可見， “河南７·２０ 特大暴雨” 突發輿情事件相比同期其他熱點事件具有更高的網絡關注度和傳播廣泛度， 居于２０２１ 年度網絡事件影響力和熱度榜榜首。在暴雨期間， 由于災難本身的突發性與不確定性， 以及主管部門的救災響應不及時、針對網上輿情應對失措等原因， 導致相關輿情用戶出現非理性交互現象，部分謠言的迅速傳播和網絡輿論呈現對當地應急管理部門“一邊倒” 式的指責， 其具備群體極化的明顯特征。“河南７·２０ 暴雨” 事件的熱度趨勢如圖６ 所示。從事件熱度趨勢圖可以看出， 事件的參與熱度波峰與事件的節點高度匹配。事件參與熱度的第一、二個峰值為２０２１ 年７ 月２０—２１ 日， 即鄭州地區遭遇千年一遇暴雨， ３ 日內降雨量超過該地一年內降雨量總和， 城內的交通、電力、通訊等基礎設施受到極大影響； 其中７ 月２０ 日晚， 鄭州地鐵五號線出現嚴重積水， 多名乘客被困車廂內， 有乘客在微博平臺發出求救信息， 引發大量網民關注。７ 月２１ 日上午， 鄭州官方媒體公布了地鐵五號線人員傷亡情況， 其中１２ 人死亡， ５ 人受傷。本次輿情事件的最后一波熱度峰值出現在２０２１ 年８ 月２ 日， 當日河南省政府通報， 此次特大洪澇災害致３０２ 人遇難， ５０ 人失蹤， 國務院同時宣布成立調查組， 對“７·２０” 特大暴雨災害展開調查。

３.１ “河南７·２０ 暴雨” 事件群體極化風險評估指標體系賦權

通過ＡＨＰＳｏｒｔⅡ對“河南７·２０ 暴雨” 輿情事件群體極化風險進行評估， 結合層次分析法對突發事件網絡輿情群體計劃風險評估指標進行賦權。目前， 我國對網絡輿情的風險等級劃分還沒有統一的標準。網絡輿情風險等級劃分是風險評估的關鍵。本文借鑒已有研究， 將突發事件網絡輿情群體極化風險劃分為無風險、低風險、中風險、高風險。選擇４ 位權威專家對本文構建的突發事件網絡輿情群體極化風險評估指標使用層次分析法進行賦權。４位專家包括一位致力于網絡輿情領域科學研究及從事網絡輿情分析人員， 一位長期致力于網絡輿情領域科研人員， 一位互聯網媒體從業人員， 一位政府應急事件管理人員， 以上專家均長期使用微博平臺。突發事件網絡輿情群體極化風險評估指標權重如表２ 所示。

在突發事件網絡輿情群體極化風險評估指標體系中， 有１０ 項指標需要專家評價， 記為Ｃｆ ， 其中６ 項指標需要使用模糊集方法評價， 數據類型為邏輯值的指標可以表達為猶豫值為０ 的模糊值。語義模糊數轉換為直覺模糊數如表３ 所示。

對于數據類型為邏輯值的指標， 專家的評價沒有模糊熵的意義， 因此， 在使用模糊集計算專家權重時不考慮此部分指標。專家根據“河南７·２０ 暴雨” 事件網絡輿情實際情況， 結合自身對相關情況的理解與認知， 對其他６ 項指標應用語義模糊方法進行評價結果并轉化為直覺模糊集， 并由式（２）可得４ 位專家權重分別為０.２０７３、０.２５６５、０.２６８４、０.２６７７。

３.２ “河南７·２０ 暴雨” 事件群體極化風險評估指標值獲得

根據“河南７·２０ 暴雨” 事件發展實際情況并結合圖６， 本次突發事件輿情共持續約１６ 天。因此，以每兩天作為一個時間節點進行群體極化風險評估。新浪微博在國內使用廣泛、數據量大且具有代表性。因此， 本文選擇以新浪微博網絡輿情數據為代表，對“河南７·２０ 暴雨” 事件網絡輿情群體極化風險進行評估。獲取數據的時間區間為７ 月１９ 日—８ 月３日， 獲取數據屬性包括原發博文內容、發表時間、轉發、評論內容、用戶名等， 在篩除無效數據后，共計獲取有效數據１７７ ８９５條。

３.２.１ 通過專家評價及直接判斷獲得對應指標值

對于是否存在虛假信息（Ｓ２２）、是否存在惡意信息（Ｓ２３）、是否存在錯誤信息（Ｓ２７）、是否存在“信息繭房” （Ｓ２８）， ４ 位專家的評價結果均為否，即４ 個指標的邏輯值均為０。將４ 位專家對指標Ｃ_ｊ（Ｃ_ｊ∈Ｃ_ｆ ）的模糊評價結合專家權重做算術平均， 得出Ｃ_ｊ 的模糊數， 通過式（１） 得出指標Ｃ_ｊ 的代數值。由專家評價得出指標值如表４ 所示。

由直接判斷獲得指標邏輯值如表５ 所示。

３.２.２ 通過統計結構化數據獲得對應指標值

由統計網絡輿情結構化數據得到指標主要包括人員傷亡（Ｓ１）、財產損失（Ｓ２）、持續時長（Ｓ５）、信息公開時效性（Ｓ１３）、網絡用戶受教育水平（Ｓ１５）、與突發事件相關職業占比（Ｓ１６）、網絡用戶年齡分布（Ｓ１７）、轉評贊數量（Ｓ１９）、網絡用戶發布信息數量（Ｓ２５）以及信息中圖片、視頻占比（Ｓ２９）。對于“河南７·２０ 暴雨” 事件， 存在一定人員傷亡（Ｓ１）和財產損失（Ｓ２）。持續時長參考圖６ 及事件實際發展， 可以認定為從７ 月１９ 日起至８ 月初討論熱度衰退。鑒于前文選擇的８ 個時間節點， 持續時長可以被認定為從７ 月１９ 日至８ 月３ 日， 共計１６ 天。各時序節點的持續時長則以１６ 天為參考計算比值。“河南７·２０ 暴雨” 事件中不存在物理空間中突發事件相關事件信息公開時效性， 或也可以認為相關事件發生后， 官方媒體報道沒有時滯。因此， 信息公開時效性最大值為１， 又由于信息公開時效性效益型指標， 因此轉為成本型即為０。網絡用戶受教育水平（Ｓ１５）以８ 個群體極化風險評估時間節點內（即各時間段內）本科以上學歷用戶占此時間段內參與討論網絡用戶總量的比值。與突發事件相關職業占比的計算方式與網絡用戶受教育水平計算方式相同。兩者均為效益型指標， 因此取與１之差的絕對值參與最終計算。網絡用戶年齡分布（Ｓ１７）采用網絡用戶年齡平均值與１００ 的比值代表各時段內參與討論的網絡用戶年齡在０～１００ 之間的值分布。轉發評論數量（Ｓ１９）（本文選擇交互行為中代表性較強的轉發、評論數量）、網絡用戶發布信息數量（Ｓ２５）通過各時間段內總量與生命周期內總量比值計算。信息中圖片、視頻占比（Ｓ２９）通過獲取網絡輿情數據的文本特征判斷是否包含圖片或視頻， 計算方法及標準化與轉發評論數量（Ｓ１９）、網絡用戶發布信息數量（Ｓ２５）的計算相同。第一個時間節點通過統計結構化數據獲得對應指標值如表６ 所示。

３.２.３ 通過二次計算獲得對應指標值

通過二次計算獲得值的指標包括網絡用戶負向情感占比（Ｓ１４）、網絡用戶情感負向演化方向（Ｓ２０）、觀點演化速度（Ｓ２１）。網絡用戶負向情感占比（Ｓ１４）是指在某一時間段內具有負向情感網絡用戶占此時間段內用戶總量的比例。網絡用戶情感負向演化方向為邏輯型數值， 通過此時段內平均情感值與前一時段平均情感值對比， 如負向情感平均值增加， 則邏輯值為１， 否則為０。根據群體極化的定義， 網絡用戶經非理性交互后， 觀點更為極端， 同時也意味著觀點數量相對變得更少。因此， 觀點演化速度的度量可以以觀點數量的變化與時長的比值來表現， 觀點數量越來越少， 則群體極化風險越大， 值為正值， 否則值為負值。第一個時間節點通過二次計算獲得對應指標值如表７ 所示。

３.３ 群體極化風險評估的參考點和邊界的局部優先級計算

參考點和邊界的局部優先級計算是ＡＨＰＳｏｒｔⅡ的較為復雜的核心步驟。本文指標值均為［０，１］。因此， 參考點在［０，１］ 之間以１０ 等分平均分布。以持續時長（Ｓ５）為例， 對所有指標用于群體極化風險評估參考點的設置和局部優先級計算進行說明。對于“河南７·２０ 暴雨” 事件而言， 持續時長最長為１６ 天， 即７ 月１９ 日—８ 月３ 日， 最小為兩天， 即７ 月１９—２０ 日。根據專家知識確定持續時長的邊界為ｌｐ_１ ＝１０、ｌｐ_２ ＝１２、ｌｐ_３ ＝１４。各時序節點即各備選方案的持續時長原始決策矩陣如表８ 所示。

參考點與邊界比較矩陣如表９ 所示。其中局部優先級采用特征根方法計算。以ｒｐ１０ 為基準進行歸一化。ＡＨＰＳｏｒｔⅡ分類方法的特點是可以使用１～７或１～９ 的自然數對參考點與邊界進行線性近似評估。但指標持續時長是結構化數據， 且在各時序節點具有明確分布， 因此可使用具體數據做客觀準確評價代替主觀線性近似評價。

同理可得， 各時序節點在指標持續時長上的局部優先級如表１０ 所示。

得到所有指標的局部優先級后， 結合指標權重即可計算方案的全局優先級以及邊界的全局優先級，計算方法如２.３ 小節的式（６） 所示。“河南７·２０暴雨” 事件網絡輿情各時序節點群體極化風險如圖７ 所示。

由圖７ 可知， 隨著“河南７·２０ 暴雨” 事件網絡輿情逐漸發酵， 群體極化風險逐漸升高； 隨著輿情熱度衰退， 群體極化風險降低。其中， ７ 月２０—２５ 日為高風險， ７ 月２５—３０ 日為中風險， ７ 月３０日之后為低風險。

４ 群體極化風險評估結果討論

４.１ 結果討論

通過ＡＨＰＳｏｒｔⅡ對突發事件網絡輿情群體極化風險進行評估， 當對各時序節點進行風險分類時，采用了結合影響群體極化風險評估指標與對應數值做線性加和的方式進行計算。因此， 可計算各指標的局部優先級占群體極化風險的全局優先級的比例， 并以此比例表現出各評估指標對群體極化風險的貢獻率。

其中， 在７ 月２０ 日時序節點的“河南７·２０ 暴雨” 事件網絡輿情群體極化風險中， 對風險形成占較大的評估指標主要包括： 網絡用戶負向情感占比、與其他事件耦合、轉發評論數量、網絡用戶發布信息數量。網絡用戶負向情感占比對群體極化風險形成貢獻最高且符合群體極化的特征， 即網絡用戶經非理性討論后形成極端觀點。在我國應急管理部門發布河南暴雨受災害情況的同時， 有媒體發布了鄭州地鐵五號線進水、快速路隧道被淹等緊急情況， 網絡用戶展開了熱烈討論， 在突發事件網絡輿情話題關系網絡中， 各節點逐漸趨于同步， 觀點逐漸演化向極端態度， 即“一邊倒” 地質疑管理部門的一切應急處置措施、極端不信任政府做出的救災舉措。由于網絡輿情發展過程中， 網絡用戶具有沉默螺旋效應， 因此鮮有相關領域專業人員發表權威性言論進行說明。“河南７·２０ 暴雨” 事件網絡輿情中存在的負面情感與應急管理部門應對措施失當， 導致網絡用戶在非理性狀態下對相關部門的指責與不信任存在明顯耦合關系。轉評贊數量以及網絡用戶發布信息數量則體現為“河南７·２０ 暴雨”事件吸引大量網絡用戶參與討論以及交互， 是群體極化的外在條件， 也是非理性交互的載體， 助推了極端觀點的產生以及群體極化風險的形成。信息不確定性主要是由于在此事件中， 缺少具有公信力的專家和機構對當地受災情況和突發災難事件進行權威解讀， 同時， 災難的突發性和破壞力天然具備不確定性， 從而觸發了網絡用戶對政府應急響應和救災舉措持否定態度的現象。

在７ 月２２ 日時序節點的“河南７·２０ 暴雨” 事件網絡輿情群體極化風險中， 對風險形成占比較大的評估指標主要包括： 網絡用戶負向情感占比、與其他事件耦合、轉發評論數量、信息不確定性、網絡用戶發布信息數量。７ 月２２ 日， 隨著人員傷亡情況以及鄭州地鐵五號線進水、鄭州周邊地區高鐵停運、高速封閉等受災信息的快速傳播、發酵， 網絡用戶的諸多負面情緒持續增加。轉評贊數量、持續時長、網絡用戶發布信息數量持續增加， 出現了網絡用戶情感進一步向負向演化的趨勢。由于突發事件事發地為省會， 因此事件發生地點是否為經濟中心也對群體極化風險形成產生了作用。隨著中央媒體加強了對災難成因、災難趨勢及中央政府救災措施的權威解讀報道， 同時相關災害逐步減輕， 使人們對自然災害破壞力的認知進一步明確。８ 月３日， 國務院宣布成立調查組并通報了整個災害事件的人員傷亡與財產損失情況， 正式宣布災情已經得到解決， 當地政府積極開展災后重建。網絡用戶的非理性觀點的增長趨勢已經有所緩解， 討論話題逐步向災后重建、經驗總結和災區援助等方面演進。討論話題逐步向災后重建、經驗總結和向災區援助等方向演化。隨著“河南７·２０ 暴雨” 事件的輿情信息傳播達到衰退期， 至５ 月初至８ 月初群體極化風險已經可以基本忽略群體極化風險已經可以基本忽略。

４.２ 研究方法評價

通過實證研究結果可知， 本文構建的突發事件網絡輿情群體極化風險評估方法可以有效對群體極化風險進行較為準確的評估。方法的有效性主要源自于群體極化風險評價指標體系的全面性以及ＡＨＰ?ＳｏｒｔⅡ方法的使用。首先， 本文構建的風險評價指標體系綜合考慮了物理空間中的突發危機情境、社會空間中用戶非理性交互以及信息空間中的信息失序的具象化表現。評價指標的全面性和綜合性是風險評價的重要保障； 其次， ＡＨＰＳｏｒｔ 分類方法可通過將方案與組別的邊界進行比較從而將備選方案分類到預定義的有序類別， 且與傳統多準則決策方法ＡＨＰ 相比， 大大減少了比較次數。ＡＨＰＳｏｒｔⅡ在ＡＨＰＳｏｒｔ 基礎之上通過比較選定的參考點得到其權重， 并通過線性近似得到方案的權重， 從而不需要將方案進行直接比較， 需要更少比較次數。ＡＨＰ?ＳｏｒｔⅡ方法的應用也是實現準確評估群體極化風險的重要輔助工具。但ＡＨＰＳｏｒｔⅡ在應用過程中存在部分需要定性評價的工作， 對群體極化風險評估的便捷性、自動性帶來一定影響。在實際應用中， 本文所構建的群體極化風險評估指標體系與評價方法可以直接應用于突發輿情的監測與導控中。主管部門可結合實際情況組織多位相關領域專家， 并根據上述評價方法和指標體系對輿情事件進行實時監測， 以便及時調整導控策略。

５ 結語

突發事件網絡輿情群體極化風險評估是風險識別與導控策略的中間環節， 是群體極化社會風險管理的重要內容。本文解析了突發事件網絡輿情群體極化風險評價方法模型， 構建了突發事件網絡輿情群體極化風險評價指標體系， 闡述了突發事件網絡輿情群體極化風險評價使用的ＡＨＰＳｏｒｔⅡ計算方法， 包括指標賦權、專家賦權以及詳細計算過程，并通過實證研究驗證了其合理性與可行性， 以期為主管部門對群體極化風險的評估與測度、突發網絡輿情的導控提供一套行之有效的方法。

（責任編輯： 郭沫含）