網絡輿情事件演變的動力學建模及預警監(jiān)測

〔摘 要〕為提高網絡輿情事件預警監(jiān)測的有效性，以社會學的價值累加理論為基礎，基于系統(tǒng)動力學的“結構——功能”模型，通過對網絡輿情事件演變中的影響因素及其作用表現的分析，歸納事件的演變規(guī)律和其中的主要因果關系，構建網絡輿情事件演變的系統(tǒng)動力學模型，確立事件演變中各主要因素間的數據關系。以此為指導，設計預警監(jiān)測模型，構建網絡輿情熱點智能監(jiān)測平臺系統(tǒng)，獲取、發(fā)現網絡熱點信息，研判其發(fā)展趨勢，為政府應對網絡輿情事件提供決策支持。

〔關鍵詞〕網絡輿情；事件；系統(tǒng)動力學；演變；預警

DOI：10.3969/j.issn.1008-0821.2016.04.003

〔中圖分類號〕TP391 〔文獻標識碼〕A 〔文章編號〕1008-0821（2016）04-0014-06

〔Abstract〕In order to improve the effectiveness of early warning monitoring of network opinion events，based on the value added theory，the evolution law of the network opinion events is analyzed，and the main causal relationship in the events evolution is summarized.And based on the structure and function model of system dynamics，the system dynamics model of the network opinion events evolution is built.Using the Vensim PLE，the effects of relevant factors on the event evolution are simulation analyzed，and the data relationship among the main factors is established.According to the data relationship，the early warning monitoring model is designed.And the intelligent monitoring system of network public opinion hotspot is built to acquisite and discovery the hotspot information，analyze the development trend.The analysis results could be used as the necessary theoretical basis for the government to formulate the network opinion events coping strategies.

〔Key words〕network opinion；events；system dynamics；evolution；early warning

網絡輿情事件是在一定的社會背景和社會環(huán)境下，在某些因素的誘發(fā)下，網民群體圍繞特定的主題，利用網絡制造輿論，形成一般性的概念，為網上和網下的集體行動指明方向，最終產生一定社會影響的事件。局部現象、個別言論經由網絡的高倍放大，可以迅速演變?yōu)橹卮笊鐣录?，對我國社會產生深刻的影響，了解網絡輿情事件的演變規(guī)律是政府部門制定網絡輿情事件的有效應對策略的前提。

目前我國學界對網絡輿情事件的發(fā)生機理，多是從宏觀的社會背景、政治環(huán)境、網絡的虛擬特性，從公眾的心理、個體行為等在事件演變中的作用等角度對網絡輿情事件的演變機理進行一般性闡述和理論性推演[1-4]，對事件的演變缺乏系統(tǒng)性的理論闡釋。一些學者雖然開始重視運用集體行動理論，如社會心理學的群體行為的理論、價值累加理論、建構主義理論等[1，5-7]，對事件的演變進行研究，但研究還只是局限于進行定性分析，缺少系統(tǒng)性的實證分析和量化研究。部分學者嘗試通過模型仿真的方法分析研究網絡輿情事件及相關領域[7]，但卻又往往是單純從技術的角度，對事件的發(fā)生背景等社會學因素關注不夠。總的來看，現有的相關研究中，以社會學的相關理論為基礎，并同時從系統(tǒng)的角度，對網絡輿情事件的演變機理進行建模分析并用以指導進行事件應對的研究尚不多見。

網絡輿情事件的發(fā)生、發(fā)展是多因素作用的結果，整個演變過程可以看作是一個復雜“系統(tǒng)”，事件演變過程中各因素間的關系復雜、事件內外動力的作用復雜。本文以價值累加理論作為研究的理論基礎，梳理網絡輿情事件演變的過程邏輯，并基于系統(tǒng)動力學的系統(tǒng)分析思路和方法，將網絡輿情事件演變過程的復雜性、非線性及多變量性用系統(tǒng)動力學的“結構——功能”模型展現出來，進行系統(tǒng)思考，客觀地分析各因素對事件發(fā)展演變的影響機制，構建網絡輿情事件演變的動力學模型。以模型中各變量間的數據關系為基礎，構建網絡輿情事件預警監(jiān)測系統(tǒng)，提高預警監(jiān)測的針對性和準確性。

1 網絡輿情事件的演變過程

選取近幾年來發(fā)生的一些網絡輿情事件作為樣本案例，以價值累加理論所描述的結構性誘因、結構性緊張、共同信念、觸發(fā)因素、行動動員、社會控制失效等6個因素為分析維度，對事件的演變過程進行分析。

通過對案例的分析，可以發(fā)現網絡輿情事件的發(fā)展具有明顯的階段性特征，可分為潛伏期、初發(fā)期、爆發(fā)期和衰退期。

在潛伏期，社會矛盾、社會不平等、不公正現象，經過媒體的報道、網絡的傳播，會擴大社會的不滿情緒，增強社會的結構性緊張程度。公眾因受自己的背景、學歷、年齡、價值觀、興趣、愛好，以及所處的群體環(huán)境等的影響，更愿意選擇那些與自己的既有立場和態(tài)度一致或接近的內容加以接觸、認知和記憶，在心中形成各種類型的結構性怨恨，成為公眾參與網絡輿情事件的基礎性動力。

在初發(fā)期，一些現象經過媒體爆料，引發(fā)關注，事件的網上輿情開始發(fā)端，當面對包含有吸引關注的某些刺激性因素時，公眾極易因為與心中已存有的結構性怨恨相契合而引起心理和情感共鳴，進而形成某種共同感受，產生普遍情緒和共同信念，為行動指明方向。

在爆發(fā)期，網民通過論壇、微博等的互動交流，個體間的情感相互渲染，形成群體性情感，并反復振蕩，不斷加強，形成符號化的標簽，促進共同信念的形成和行動動員的完成，推動事件輿情的走向高潮。

在衰退期，政府采取有效的應對措施，引導輿論、疏導情緒，公眾和媒體的關注度下降，事件輿情逐漸降溫，直至事件平息。

2 網絡輿情事件演變的動力學建模

2.1 系統(tǒng)邊界及模型要素

從網絡輿情事件的演變過程可以看出，網絡輿情事件演變的標志是事件輿情熱度的變化。政府、公眾、媒體是3類主要的實體對象，三者之間在網絡空間或現實空間圍繞事件的信息交流（圖1），如媒體對事件的報道、公眾對事件的討論以及政府對事件的疏導等，推動了事件輿情熱度的變化。研究中，將政府、公眾、媒體，以及事件自身的影響作為系統(tǒng)的研究邊界和模型的主要要素。

2.1.1 事件

指網絡輿情事件所涉及的具體問題。從事件的受關注度，事件的影響力，公眾利益相關度（利益訴求）等，分析其對事件輿情熱度的作用。根據對網絡輿情事件樣本案例的分析，官民矛盾、環(huán)境污染、食品安全、社會道德、官員腐敗、警民關系、貧富分化、征地拆遷、醫(yī)患糾紛等9個方面的問題是引發(fā)公眾關注，容易成為網絡熱點的一些主要社會問題。在事件演變的過程中，事件因其所具有的帶有矛盾特質的敏感性因素引起公眾、媒體、政府的廣泛關注，并推動網民的互動、媒體的互動，促使政府進行必要的應對，事件的輿情熱度因此變化。

2.1.2 公眾

主要指網民，分為普通網民和意見領袖。公眾是網絡輿情事件輿情的主體，在事件輿情的形成過程中，公眾不僅是信息的接受者，也是信息的傳播者。公眾從各類媒體上獲得信息，并發(fā)表自己的觀點和看法。公眾通過意見和情緒的表達，吸引更廣泛的關注和參與。

2.1.3 媒體

媒體是網絡輿情事件輿情的載體，媒體包括傳統(tǒng)媒體（電視、報刊、廣播等）和新興媒體（互聯網、手機等）。在網絡輿情事件的演變中，傳統(tǒng)媒體和新興媒體對事件的關注和彼此間的互動，能強化事件的相關議題，升級、放大輿論，吸引更多的網民關注事件，并使得政府對事件的發(fā)展進行關注。

2.1.4 政府

政府在網絡輿情事件演變中的作用貫穿始終，并且是事件輿情消退的決定性因素。在社會和公共事務的管理中，政府的有關措施不當，將會引發(fā)公眾和政府之間的矛盾，激發(fā)公眾對社會的不滿，刺激網絡輿情事件的發(fā)生。在事件發(fā)生后，政府如果應對失當，則會加重事件的輿情危機，反之，如果應對得當，則會有效消解輿情。

2.2 系統(tǒng)流圖的構建

模型所涉及的各類變量、常量共39個，其中，狀態(tài)變量有：政府新聞發(fā)布數量、網民發(fā)帖數量、傳統(tǒng)媒體新聞數量和新興媒體新聞數量；輔助變量有：事件受關注度、網民關注度、網民互動度、新興媒體關注度、傳統(tǒng)媒體關注度、媒體互動度、共同信念形成度、行動動員效果、政府關注度、政府調控力度、事件處置力度、社會控制能力、偶發(fā)因素、事件影響力、事件的輿情熱度；常量有：技術發(fā)展度、公眾質疑度、意見領袖、官員能力水平、政府公信力，等等。構建網絡輿情事件演變的系統(tǒng)流圖如圖2所示。

2.3 主要數據關系

模型中的變量類型多樣，涉及心理、行為等多個層面，在研究的過程中，不為每個變量設置量綱，忽略變量間的量綱關系，綜合采用層次分析法及對有關文獻中的數據的定性分析法確定系統(tǒng)中變量間的數據關系。主要數據關系描述如下：

（1）政府新聞發(fā)布數量=INTEG（政府新發(fā)布新聞量-政府新聞減少量，1）

流位：政府新聞發(fā)布數量，L1（t）；流率：政府新聞變化量，R1（t）。其中，R1（t）=dL1（t）/dt，政府新聞發(fā)布數量的初始值為1，即L1（0）=1。

模型中，以政府新聞發(fā)布數量的多少體現政府對事件的關注程度。政府對事件的關注度同時還受傳統(tǒng)媒體和新興媒體對事件關注度的影響。

（2）網絡發(fā)帖數量=INTEG（網民新發(fā)帖量-帖子減少量，1）

流位：網民發(fā)帖數量，L2（t）；流率：網民發(fā)帖變化量，R2（t）。其中，R2（t）=dL2（t）/dt，網民發(fā)帖數量的初始值為1，即L2（0）=1。

模型中，以網民發(fā)帖數量的多少體現網民對事件的關注程度。網民通過瀏覽、轉發(fā)新聞，發(fā)表與事件有關的帖子，參與到事件的討論中去。

（3）傳統(tǒng)媒體新聞數量=INTEG（傳統(tǒng)媒體新聞增加量-傳統(tǒng)媒體新聞減少量，1）

流位：傳統(tǒng)媒體新聞數量，L3（t）；流率：傳統(tǒng)媒體新聞變化量，R3（t）。其中，R3（t）=dL3（t）/dt，傳統(tǒng)媒體新聞數量的初始值為1，即L3（0）=1。

模型中，以傳統(tǒng)媒體新聞數量的多少體現傳統(tǒng)媒體對事件的關注程度。

（4）網絡新聞數量=INTEG（網絡新聞增加量-網絡新聞減少量，1）

流位：新興媒體新聞數量，L4（t）；流率：新興媒體新聞變化量，R4（t）。其中，R4（t）=dL4（t）/dt，新興媒體新聞數量的初始值為1，即L4（0）=1。

模型中，以新興媒體新聞數量的多少體現新興媒體對事件的關注程度。

（5）主導結構的流位流率系為：

{（L1（t），R1（t）），（L2（t），R2（t）），（L3（t），R3（t）），（L4（t），R4（t））}

（6）事件影響力=（事件的輿情熱度）EXP（-Time）/100+偶發(fā)因素RANDOM UNIFORM（50，80，10）

（7）事件的輿情熱度=0.1媒體互動度+0.1網民互動度10+0.15行動動員效果+0.15共同信念形成度-0.2事件處置力度-0.3社會控制能力

（8）行動動員效果=（媒體互動度+網民互動度10）（1+ABS（意見領袖））

（9）共同信念形成度=媒體互動度+網民互動度10+網絡謠言RANDOM UNIFORM（0，100，10）10

（10）政府關注度=100-EXP（-0.1政府新聞發(fā)布數量）+傳統(tǒng)媒體關注度+新興媒體關注度

（11）網民關注度=100-EXP（-0.1網絡發(fā)帖數量）

（12）傳統(tǒng)媒體關注度=100-EXP（-0.1傳統(tǒng)媒體新聞數量）

（13）新興媒體關注度=100-EXP（-0.1網絡新聞數量）

2.4 模型有效性檢驗

以Vensim PLE為仿真平臺，對模型進行運算，得到事件的演變趨勢如圖3所示。從圖上可以看出，事件的輿情態(tài)勢呈現出正偏態(tài)分布的態(tài)勢，表現出比較明晰的階段性特征，與網絡輿情事件樣本案例的實際情況和演變周期基本相符。網絡輿情事件往往在比較短的時間內達到輿情高峰，而后逐漸回落趨向平穩(wěn)。仿真得到的網絡輿情事件的輿情態(tài)勢從總體上基本可以客觀地表現出事件的輿情漲落規(guī)律。因此，模型中的各因素間的數據關系可以成立。

2.5 仿真分析

從對網絡輿情事件演變過程的分析可知，在事件的演變中，觸發(fā)因素的出現、共同信念的形成、行動動員的完成是3個關鍵的環(huán)節(jié)。這點通過對事件演變模型的仿真分析也可以清楚地看到。下面具體以觸發(fā)因素的出現對事件演變影響的仿真分析為例進行說明。

觸發(fā)因素的出現凝聚了社會緊張的濃度，為事件的發(fā)生提供了一個真切而敏感的具體刺激，促進網民間的意見交流和情緒感染。觸發(fā)因素的出現帶有偶然性，假設：在事件發(fā)端后的第7天出現觸發(fā)因素。通過仿真，從圖4和圖5可以看到，當某個偶然性因素在第7天出現后，網民的關注度有一個明顯的峰值，之后再開始回落，表明觸發(fā)因素的出現對網民的情緒起了較大的刺激作用，網絡討論的熱度急劇上升。同時，可以看到因為觸發(fā)因素的出現，政府的關注度、傳統(tǒng)媒體關注度和新興媒體的關注度等產生了連鎖反應，出現了波動性變化，從而最終導致事件的輿情熱度也產生了波動性變化。

3 網絡輿情事件的預警監(jiān)測

網絡輿情事件發(fā)端于網絡輿情熱點信息。網絡輿情熱點信息一般是公眾比較關注的一些現實社會中的問題在網絡中的集中表現。預警監(jiān)測網絡輿情事件主要就是及時獲取、發(fā)現網絡輿情熱點信息，并對熱點信息的發(fā)展趨勢進行跟蹤預測，研判觸發(fā)因素是否出現、共意是否形成等，為事件應對做好準備。

3.1 輿情信息的獲取

互聯網中的輿情信息是通過各種各樣的文字性描述共同表達的具有特定主題的內容，其表現形式包括：網頁中的新聞評論、論壇留言板中的主帖和跟帖、博客中的記錄和留言、微博客等。監(jiān)測模型選取的信息來源主要有：政府新聞網站，預置人民網、新華網等；大型商業(yè)網站，預置搜狐、新浪、網易等；網絡社區(qū)，預置天涯社區(qū)、貓撲、凱迪社區(qū)等；新聞媒體網站，預置光明日報、中央電視臺等；Blog，預置新浪博客、中國博客網等；微博客，預置新浪微博、騰訊微博等。

在模型中，吸收Best-First算法抽取鏈接的準確率高的優(yōu)勢，對其收斂速度過快的缺陷進行改進，提高其查全率，基于網頁的鏈接類型和鏈接變化的信息，設計網絡爬蟲捕獲相關主題的Web頁面。

在信息特征項的抽取中，以傳統(tǒng)TFIDF算法為基礎，不考慮篇章的結構信息對權重的影響，將正文中不同位置的相同詞語同等看待，賦予同樣的權值，改進TFIDF方法來計算特征項的權重termWeight，通過K-近鄰算法和K-means算法對信息進行分類和聚類。

將官民矛盾、環(huán)境污染等9個方面作為預設類別，在信息的聚類分析中，根據分析結果對系統(tǒng)的預設類別進行動態(tài)調整。在信息分類中，按照這9個方面建立樣本數據集D。樣本數據集D的數據由抓取的歷史網頁組成，利用網絡爬蟲，分別基于給定的9個方面社會問題的主題關鍵詞，進行信息采集后，經過過濾和特征項抽取得到。訓練集中的每個網頁都被表示成一個向量，向量由屬性和類別組成，其中每個單獨的詞條（Term）為一個屬性。

3.2 熱點信息的發(fā)現

從仿真模型變量間的數據關系可以看到，網絡輿情事件的輿情熱度與媒體互動度、網民互動度、行動動員效果、共同信息形成度等表現為正相關關系，與事件處置力度和社會控制力等表現為負相關關系。而媒體互動度、網民互動度等又與媒體關注度和網民關注度表現為正相關關系，事件處置力度等與政府關注度表現為正相關關系。因此，在政府、媒體、公眾這3個與事件演變相關的主要實體對象中，事件的輿情熱度與媒體和網民（公眾）對事件的關注度正相關，與政府對事件的關注度負相關。在監(jiān)測模型的設計中，以政府、媒體、公眾對信息的關注度作為表征信息熱度的重要指標。同時，考慮到網民的交流具有隨意性，隨著討論的展開，討論內容可能逐漸偏離了原先的主題甚至跳到另外一個不相關的主題，這種情況下將會出現公眾討論的即使很熱烈（關注度高），但因與主題相關度不高，信息的熱度值并不高。在確定網絡話題的信息熱度時，將根據關注度和相關度來綜合考慮。

3.2.1 媒體關注度計算模型

媒體關注度（Arm）的主要特征通過報道天數（RDNum）和報道頻率（RfNum）表現。根據TFPDF的思想來定量描述一段時間內某一信息受媒體關注的程度。具體的計算模型如下：

Arm（i，tm）=TF（i，tm）PDF（i，tm）RDNum（tm）

（1）

其中：Arm（i，tm）表示在時間段tm內，網絡上關于信息i的關注度，tm可以是任意的時間段；從仿真模型的數據關系中可以看到無論是傳統(tǒng)媒體還是新興媒體，其關注度與新聞量之間均是指數關系，所以計算PDF值時取指數形式來提高其權重。

PDF（i，tm）=EXP（RfNumi（tm）/RDi（tm））

（2）

3.2.2 公眾關注度計算模型

公眾關注度（Aru）的主要特征通過網民的點擊數（CkNum）和網民的評論數（DNum）表現。具體計算模型如下：

Aru（i，tm）=log（0.5Pr+Pc+λ）（（0.5Pr+Pc）EXP（-tm′））

（3）

其中：Aru（i，tm）表示在時間段tm內，公眾對信息i的關注度；Pri表示信息i的閱讀人數的比例；Pci表示信息i的回復人數的比例；λ為動態(tài)調整因子，用來平衡公式中相關因子對公式的影響；tm′為當前時間與主題發(fā)布時間的時間差，當時間差為0時，時效性因子值為1，隨著時間差的增大，時效性因子呈指數衰減，時間越長，公眾的關注度越低。

3.2.3 主題相關度計算模型

主題相關度通過計算該主題下的回復內容與原主題內容的相關度統(tǒng)計得到，兩篇帖子之間相關度的計算可以通過比較兩篇文本的內容的相似度來判斷。具體計算模型如下：

Rel（i）=1N∑Nj=0sim（c0，cj）

（4）

其中：Rel（i）為主題相關度，sim（c0，cj）為c0和cj之間的文本相似度，用向量間夾角的余弦值來計算c0和cj之間的文本相似度：N是兩篇文檔中包含的特征項種類的數量。

3.2.4 熱點發(fā)現計算模型

構建信息熱度的計算模型如下：

Ar（i，tm）=（αArm（i，tm）+βAru（i，tm））Rel（i）

（5）

其中：參數α和β的主要作用是用來調節(jié)媒體關注度和公眾關注度的數值差異，以平衡各因子對整個公式的影響。

當Ar（i，tm）的值超過預設的閾值后，信息i可被視為熱點信息，所關聯的話題為熱點話題HotTopici，其發(fā)展態(tài)勢需予以關注。當政府開始關注熱點信息時，往往會采取一定的措施疏導輿情，因此當政府開始關注后，信息熱度的計算模型將變化為：

Ar（i，tm）=（αArm（i，tm）+βAru（i，tm）-rArg（i，tm′））Rel（i）

（6）

其中：參數r的作用與參數α和β類似。Arg表示政府關注度，其主要特征通過政府新聞網站上相關報道的時間和頻次體現。

Arg（i，tm′）=TF′（i，tm′）PDF′（i，tm′）RDNum′（tm′）

（7）

3.3 熱點信息發(fā)展趨勢跟蹤預測

3.3.1 熱點跟蹤

從網絡輿情事件演變仿真模型中的數據關系可以看到，網民的新發(fā)帖量與觸發(fā)因素之間是隨機函數關系?？疾鞂嶋H樣本案例，也能發(fā)現隨著時間的變化，不僅關于熱點話題會有新的內容出現，而且原話題本身也可能因為現實世界中的一些變化而發(fā)生動態(tài)的變化，即出現話題更新或漂移，其特征子集也可能隨之會發(fā)生變化，需要對特征子集進行適時調整。在設計跟蹤算法時，基于對網絡輿情事件觸發(fā)因素的分析，建立敏感信息基本庫；基于文本的特征子集向量設計自適應話題跟蹤算法，對原話題的特征子集根據跟蹤結果進行自適應的修正，提高跟蹤的精度。

修正特征子集的基本思路是以跟蹤到的新文本為基礎，從新文本的特征項中選擇權重最高的項tnew，加入到原文本的特征子集DT中，而后以此為新的特征子集D′T，進行后續(xù)的跟蹤工作。完成特征子集修正的同時，判斷D′T和DT的差異集DSUD中是否有與敏感信息基本庫中的某些特征詞信息相吻合的特征項，如果有，則據此認為價值累加理論中的觸發(fā)因素條件出現了，將結果提供給人工進行確認。

觸發(fā)因素的出現，會對網民產生刺激作用，政府的關注度、媒體的關注度等也會產生連鎖反應，從而最終導致事件的輿情熱度在短時間內會急速上升。在網絡輿情事件的演變中，事件的符號化標簽是增強情感的圖騰，符號以及與符號特征相關的一些信息是喚醒群體情感，促進共同信念形成的源泉和標志。在經過人工確認觸發(fā)因素出現后，需進一步判斷是否出現了符號化標簽信息（或與符號化特征相關的信息）。

研判時，比較熱點話題敏感信息的原特征子集DSUD及新產生的與之相關的特征子集D′SUD，如果（D′SUD-DSUD）所得的特征集的特征項數量為零，則DSUD或D′SUD中的特征項必為符號化標簽信息，并且形成了共意（當符號化標簽信息出現后，網上的輿論主題將會趨同于符號化標簽所蘊含的特征信息，這時所采集到的話題信息基本不會有新的特征信息）；如果（D′SUD-DSUD）所得的特征集的特征項數量不為零，但小于預設的臨界值（臨界值根據經驗設定，可根據監(jiān)測的實際情況隨時做出調整），則判斷形成了共意，但需提供給人工進行確認；如果（D′SUD-DSUD）所得的特征集的特征項數量不為零，且大于預設的臨界值，則可判斷尚未形成共意，但因有觸發(fā)因素推高了輿情，此時也需對觸發(fā)因素的后續(xù)輿情進行關注。

根據判斷結果，對包含觸發(fā)因素，且形成了共意的輿情的發(fā)展趨勢進行重點監(jiān)測，對其他輿情予以必要的關注。

3.3.2 趨勢預測

趨勢預測是構建計量模型，建立量化指標體系，對熱點話題的輿情發(fā)展態(tài)勢進行預測，以便于決策者執(zhí)行預控和管理手段。在研究中，基于話題的平均相似度設計話題的輿情態(tài)勢預測模型。輿情指數的計算公式如下：

ExpHotTopici，x=WHotTopici，xWHotTopici，1ExpHotTopici，1

（8）

其中：ExpHotTopici，x和WHotTopici，x分別為話題HotTopici在第x天的輿情指數和話題關注度，WHotTopici，1為該話題第1天出現時的話題關注度。話題關注度基于話題的熱度和話題的平均相似度得到。

WHotTopici，x=Fi（avgsim）Ar′（i，tm）

（9）

以話題產生的第1天為基準，通過公式（8）可以得到以后每一天相對于第1天的話題關注度變化情況，從而可以得到一條反映該話題發(fā)展演變過程的曲線，即話題發(fā)展曲線。話題發(fā)展曲線的起伏，反映出熱點信息輿情的漲落。根據輿情態(tài)勢判斷是否需要進行必要的處理，以干預網民的行動動員，防止事件的爆發(fā)。

4 結束語

本文綜合運用價值累加理論和系統(tǒng)動力學分析網絡輿情事件演變中各影響因素間的邏輯關系，將公眾、媒體、政府、事件作為問題的邊界和模型的要素，建立網絡輿情事件演變的系統(tǒng)動力學模型。以模型中各變量間的數據關系為基礎，設計網絡輿情事件的預警監(jiān)測模型，對引致網絡輿情事件的發(fā)生的網絡輿情熱點信息的輿情態(tài)勢進行監(jiān)測預警。為網絡輿情事件演變機理的相關研究中多學科領域的融合進行了有意義的探索。

基于預警監(jiān)測模型，構造了網絡輿情熱點信息智能監(jiān)測平臺系統(tǒng)（NPOIMS），以我國西部地區(qū)的x市為實際應用對象，架構輿情監(jiān)測系統(tǒng)，監(jiān)測與x市有關的各類輿情信息，提煉熱點詞語，進行輿情研判，提供分析報告，為x市的相關部門提供輿情引導和事件應對的信息參考和決策支持[15]。

網絡輿情事件的演變是一個復雜的過程，影響因素眾多且情況多變，在建模時，并不能全部考慮進去，因此還需要進行更深入的探討，以使模型能更好地擬合事件的演變過程，更細致地表現相關因素對事件演變的影響作用，豐富完善NPOIMS的功能，為事件的應對提供更全面的決策支持。

參考文獻

[1]高恩新.互聯網公共事件的議題建構與共意動員——以幾起網絡公共事件為例[J].公共管理學報，2009，6（4）：96-104.

[2]陳強，徐曉林，王國華.網絡群體性事件演變機制研究[J].情報雜志，2011，30（3）：35-38.

[3]金鑫，李小騰，朱建明.突發(fā)事件網絡輿情的演變機制及其情感性分析研究[J].現代情報，2012，32（12）：8-13.

[4]范鐵中.網絡輿情對群體性事件的影響與控制[J].中共福建省委黨校學報，2014，25（4）：48-53.

[5]李婷玉.網絡集體行動發(fā)生機制的探索性研究——以2008年網絡事件為例[J].上海行政學院學報，2011，12（2）：87-94.

[6]樂國安，薛婷.網絡集群行為的理論解釋模型探索[J].南開學報：哲學社會科學版，2011，38（5）：116-123.

[7]趙俊.兩個輿論場中的網絡群體性事件交互演化建模研究[J].軟科學，2015，29（5）：135-139.

[8]張一文，齊佳音，馬君，等.網絡輿情與非常規(guī)突發(fā)事件作用機制——基于系統(tǒng)動力學建模分析[J].情報雜志，2010，29（9）：1-6.

[9]陳波，于泠.泛在媒體環(huán)境下的網絡輿情傳播控制模型[J].系統(tǒng)工程理論與實踐，2011，31（11）：2140-2150.

[10]張青敏.基于系統(tǒng)動力學的網絡環(huán)境下信息生命周期演化規(guī)律研究[J].情報理論與實踐，2011，34（5）：6-9.

[11]王洪群.互聯網輿情分析彈性自組織網[J].系統(tǒng)仿真學報，2012，24（10）：2181-2187.

[12]王冰冰，夏志杰，于麗萍.在線社會網絡中應急信息共享的系統(tǒng)動力學仿真研究[J].現代情報，2015，35（1）：42-48.

[13]賈紅雨，趙雪燕，邱晨子.基于復雜網絡的微博網絡輿情圖譜分析方法研究[J].現代情報，2015，35（3）：64-67，81.

[14]黃煒，姚嘉威.網絡輿情事件的主動感知實踐[J].現代情報，2015，35（10）：7-11.

[15]徐勇.基于價值累加理論的網絡熱點事件輿情研判及系統(tǒng)實現[J].計算機工程與科學，2015，37（12）：2256-2261.

（本文責任編輯：孫國雷）