突發(fā)臺風事件網絡輿情預警機制研究*

王建華 朱 敏 郝婷婷 林超英

(江南大學商學院 無錫 214122)

臺風是一種高頻率、破壞性強的氣象災害,常伴隨強降雨,狂風和風暴潮等天氣,其帶來的洪水、山體滑坡等次生災害也對人們的生命財產安全造成了極大的威脅。我國是受臺風影響最嚴重的國家之一,每年夏季的臺風都會成為高熱度話題。更有臺風上岸以來,引起的輿論話題在網上愈演愈熱,隨著情緒的共鳴,公眾的恐慌心理不斷擴大,嚴重影響了社會的安定。而一個有效的突發(fā)事件網絡輿情危機預警機制可以在及時辨別風險等級的同時提高預警響應速度,不僅為政府爭取了防范時間,也為政府做出對應措施提供了依據(jù)。基于此,本文在建立輿情預警指標體系的基礎上,構建了突發(fā)臺風事件網絡輿情預警機制,結合組合賦權方法和SAGAFCM算法,探討臺風發(fā)生期間預警機制的變化情況,利用隨機Petri網并結合臺風“煙花”實際案例進行仿真分析,針對預警機制各指標間的交互影響進行分析,制定預警啟動規(guī)則。

1 文獻綜述

目前,國內外關于輿情危機預警研究主要從以下兩個方面展開:一是構建預警指標體系:Peng等[1]充分考慮網絡輿情的發(fā)展特點和傳播特點,構建了包括4個一級指標和13個二級指標的網絡輿情預警指標體系,并得出該指標體系可行的結論;王英杰等[2]以疫情事件、用戶信息行為、情感傾向為一級指標,在實地調查和文獻研究的基礎上建立了信息疫情下短視頻網絡輿情指標體系;黃煒等[3]對指標進行篩選,最終得到了一個由7個一級指標,30個二級指標組成網絡恐怖事件預警指標體系。二是預警方法設計:在預警指標評價方法方面,楊柳等[4]采用熵權法對指標定權,運用TOPSIS和灰色關聯(lián)分析相結合的方法構建了高校網絡輿情風險評估及預警模型;林玲等[5]提出了一種用直覺模糊數(shù)來表達專家對網絡輿情風險評估中的不確定因素,用非可加的模糊測度來描述指標間的相互聯(lián)系,并用 Choquet的直覺模糊積分算子來對各指標的評估信息進行了全面的評估。在輿情預警分類分級方法層面,田世海等[6]在構建指標體系的基礎上,運用ABC分類法將指標體系中16個指標進行風險排序,并按照累計發(fā)生頻率分為Ⅰ-Ⅲ級;楊柳等[7]將指標進行了關聯(lián)度分析,并以此為基礎,利用K均值聚類將輿情事件劃分為三個類別,從而獲得了不同時間段所對應的警戒級別。

上述研究為突發(fā)事件網絡輿情危機預警奠定了基礎,但還存在不足之處:①對預警指標風險程度進行了探討,但卻忽略了因突發(fā)事件的不確定性造成指標風險程度不斷變化的情況;②隨著研究的深入,網絡輿情預警機制應用范圍逐漸廣泛,但很少有人將預警機制運行機理直觀呈現(xiàn)出來,而隨機 Petri 網對于復雜系統(tǒng)的仿真建模有很好的呈現(xiàn)能力。現(xiàn)有研究大多將Petri 網應用到應急響應[8-9]、鄰避沖突[10]、自然或社會災害[11-12]、傳染病[13]以及網絡信息[14-15]的演化和傳播等過程中,并對其單一指標進行敏感性分析,但很少有人將Petri 網應用到臺風這類突發(fā)事件網絡輿情危機預警領域。因此,本文在建立指標體系的基礎上,應用Petri 網,并根據(jù)臺風發(fā)生不同時期,對指標進行動態(tài)分類分級,旨在完善突發(fā)事件網絡輿情危機預警機制,并在臺風來臨時,為政府采取防范措施提供決策依據(jù)。

2 網絡輿情危機預警機制

當今,在大數(shù)據(jù)環(huán)境下,所有信息、事件都處于公開化狀態(tài),人們可以在網上暢所欲言,表達自己不同的想法。網絡輿情的形成往往十分迅速,一件熱點事件再加上人們不同的輿論導向,很容易誘發(fā)輿情危機,帶來恐慌。因此,建立一套完善的網絡輿情危機預警機制是很有必要的:在輿情萌發(fā)前期,根據(jù)危機預警機制來判斷風險,做出相應的預防措施;輿情快速發(fā)展并達到高潮時,利用危機輿情機制對風險來進行新的判斷,以降低風險,減少損失;輿情逐漸消退但并不代表永遠消失,所以要對危機預警機制進行實時監(jiān)測,防止輿情再次爆發(fā)。

2.1 指標選取

為了得到更為全面的指標,本文充分研究了突發(fā)事件出現(xiàn)時,網絡輿情傳播過程中的特點。進一步與文獻調查相結合,經過反復篩選的調整,最終建立了如表1所示的包括4個一級指標和16個二級指標的網絡輿情預警指標體系。

表1 網絡輿情預警指標體系

表1中既包括定性指標又包括定量指標。其中利用專家分析與文獻研究的方式來獲得定性指標,通過搜集與話題事件有關的數(shù)據(jù)來獲取定量指標。其中,敏感度指的是網民對網絡輿情的敏感程度,根據(jù)專家判斷對敏感度指標進行賦值:特別敏感為4、較高敏感為3、一般敏感為2、較低敏感為1;危害性主要衡量網絡輿情危害程度,按危害等級賦值,根據(jù)黃星等[16]的觀點,將發(fā)事件危害性賦值為:極高危害值為7、高危害值為5、中等危害值為3、低危害值為1;財產損失程度根據(jù)實際數(shù)據(jù),按財產損失等級賦值:嚴重損失賦值5、較嚴重賦值4、一般嚴重賦值3、損失較少賦值2、輕微損失賦值1。

2.2 指標定權-分類-分級

在選取指標后,要對指標進行定權-分類-分級處理。由于事件的不確定性和指標的模糊性,該文采用基于三角模糊數(shù)的組合賦權方法對指標進行定權處理,首先將一級指標的三角模糊互補矩陣去模糊化后再標準化,得到標準化矩陣,并利用熵權法對一級指標進行定權;其次計算各個二級指標的純測量度,得到相應的權重;最后將一、二級指標權重進行組合,得到最終的權重。

為了能夠及時掌握臺風事件網絡輿情的動向并對其采取一定的措施,這時就需要對指標進行分類分級處理,根據(jù)不同等級采取不同的措施,能夠高效解決問題。此篇論文在臺風發(fā)生前期,利用白化權函數(shù),將指標分為Ⅰ、Ⅱ、Ⅲ、Ⅳ類,并對其進行分級;在臺風發(fā)生期間,基于模擬退火遺傳算法的模糊 C 均值聚類分析方法,在數(shù)據(jù)采集的基礎上對每天的指標進行等級劃分。

2.3 建立危機預警機制

要建立一套行之有效的危機預警機制,其各個環(huán)節(jié)必須緊緊相扣。在臺風來臨之際,根據(jù)經驗對指標進行篩選并分級,實時監(jiān)測,對風險指標,提前做好預防工作,以降低其風險;由于臺風的不確定性,指標的風險值也在不斷變化,在臺風到來期間,根據(jù)實際數(shù)據(jù),對指標進行新的分級,并實時監(jiān)測,對新的風險指標,及時采取措施,以降低其風險。其具體流程如圖1所示:

圖1 突發(fā)臺風事件網絡輿情危機預警機制

3 SPN模型分析

Petri網的概念最早是由卡爾·A·佩特里在20世紀60年代提出的,它可以描述異步、并發(fā)事件,既有嚴格的數(shù)學表達方式,又有直觀的圖形表達方式。一般來說,經典的Petri網由庫所、變遷、有向弧和令牌組成,用來刻畫過程的簡單模型。最早的petri網并沒有時間這一概念,但是隨著人們對時間概念的需求逐漸增大,便出現(xiàn)了將變遷與隨機的指數(shù)實施延時相聯(lián)系的結果,即隨機Petri網(SPN)[17]。在臺風事件中,時間是危機預警模型的重要參數(shù),所以此篇論文將SPN引入預警機制模型中。

SPN一般由6個要素組成: SPN=(P,T,F,W,M,λ)[18]。其中:

P={P1,P2,…Pn}是庫所的有限集合,在此篇論文中表示危機預警要素的有限集合,n為要素的個數(shù),n>0。

T={t1,t2,…ti}表示變遷的有限集合,i大于0;

F?I∪O,其中I?(P×t),表示變遷輸入弧的有限集合。O?(t×P),表示變遷輸出弧的有限集合。

W:F→N+,表示權函數(shù),對有向弧賦予權重,N+={1,2,…m},m>0。

M:P→M,表示Petri的標識,其中M0表示初始標識。

λ={λ1,λ2,…λn}表示平均點火速率,時間變遷服從負指數(shù)分布[19],λ表示分布函數(shù)的參數(shù)。

把變遷和點火速率相對應,就得到了一個完整的隨機Petri網。由于SPN與連續(xù)時間馬爾可夫鏈的同構性[20],因此為了得到系統(tǒng)的穩(wěn)定概率,本文將通過構造SPN同構的馬爾可夫鏈來分析網絡輿情問題的啟動點。

3.1 Petri網模型

本文利用SPN模型的定義,將圖1的網絡輿情危機預警機制轉化為SPN模型(如圖2所示),模型由9個庫所和16個變遷組成。

圖2 臺風事件網絡輿情危機預警機制的SPN模型

其中各個庫所的含義如下所示:P1為歷史數(shù)據(jù);P2為實時數(shù)據(jù);P3為信息整合;P4為網絡輿情萌發(fā);P5為網絡輿情擴散;P6為網絡輿情加速擴散;P7為網絡輿情爆發(fā);P8為危機預警;P9為方案決策。

各個變遷的含義如下:t1為信息過濾;t2為Ⅰ級風險評定;t3為Ⅱ級風險評定;t4為Ⅲ級風險評定;t5為Ⅳ級風險評定;t6為公眾情緒感染;t7為謠言大量傳播;t8為官方回應不及時;t9為Ⅰ'級風險評定;t10為Ⅱ'級風險評定;t11為Ⅲ'級風險評定;t12為Ⅳ'級風險評定;t13為未及時處理輿論信息;t14為事件升級;t15為預警啟動并進行專題分析;t16為監(jiān)測。

3.2同構馬爾可夫鏈的建立

基于定義,一般有如下步驟:

步驟1,分析SPN模型的可達集:該網絡輿情危機預警機制SPN模型的初始標識M0為(1,1,0,0,0,0,0,0,0),即庫所P1和P2中各有一個托肯?；赟PN的觸發(fā)規(guī)則[21],可以得到以下可達集:

M0=(1,1,0,0,0,0,0,0,0)

M1=(0,0,1,0,0,0,0,0,0)

M2=(0,0,1,0,0,0,0,0,0)

M3=(0,0,1,0,0,0,0,0,0)

M4=(0,0,1,0,0,0,0,0,0)

M5=(0,0,1,0,0,0,0,0,0)

M6=(0,0,0,1,0,0,0,0,0)

M7=(0,0,0,0,1,0,0,0,0)

M8=(0,0,0,0,1,0,0,0,0)

M9=(0,0,0,0,1,0,0,0,0)

M10=(0,0,0,0,1,0,0,0,0)

M11=(0,0,0,0,1,0,0,0,0)

M12=(0,0,0,0,1,0,0,0,0)

M13=(0,0,0,0,1,0,0,0,0)

M14=(0,0,0,1,0,1,1,0,0)

M15=(0,0,0,0,0,0,0,1,0)

M16=(0,0,0,0,0,0,0,0,1)

步驟2,構建馬爾可夫鏈:根據(jù)上述可達集的16個狀態(tài)M1,M2…,M16構建網絡輿情危機預警機制SPN模型等價同構的馬爾可夫鏈,如圖3所示。

圖3 SPN模型同構的馬爾可夫鏈

圖3中有向弧代表了該模型從一種狀態(tài)到另一種狀態(tài)的轉變,其中λj表示變遷的速率(j>0)。設P(Mi),(i=1,2,…,6)為臺風事件網絡輿情危機預警機制SPN模型處于穩(wěn)定狀態(tài)下Mi的概率。將馬爾可夫平穩(wěn)分布相關的定理和切普曼—柯爾莫哥洛夫方程[22]帶入圖3的馬爾可夫鏈,可得到關系式(1):

4λ1P(M1)=λ16P(M16)

4λ2P(M2)=λ1P(M1)

4λ3P(M3)=λ1P(M1)

4λ4P(M4)=λ1P(M1)

4λ5P(M5)=λ1P(M1)

4λ6P(M6)=λ2P(M2)+λ3P(M3)+λ4P(M4)+

λ5P(M5)

4λ7P(M7)=λ2P(M2)+λ3P(M3)+λ4P(M4)+

λ5P(M5)

4λ8P(M8)=λ2P(M2)+λ3P(M3)+λ4P(M4)+

λ5P(M5)

2λ9P(M9)=λ6P(M6)+λ7P(M7)+λ8P(M8)

2λ10P(M10)=λ6P(M6)+λ7P(M7)+λ8P(M8)

2λ11P(M11)=λ6P(M6)+λ7P(M7)+λ8P(M8)

2λ12P(M12)=λ6P(M6)+λ7P(M7)+λ8P(M8)

λ13P(M13)=λ9P(M9)+λ10P(M10)+λ11P(M11)+

λ12P(M12)

λ14P(M14)=λ2P(M2)+λ3P(M3)+λ4P(M4)+

λ5P(M5)+λ9P(M9)+λ11P(M11)+

λ12P(M12)+λ13P(M13)

λ15P(M15)=λ14P(M14)

λ16P(M16)=λ15P(M15)

(1)

4 案例分析

2021年“煙花”給中國部分地區(qū)帶來了巨大的損失,這一事件在微博上也引起了很大的反響。本文以臺風—“煙花”事件為例,構建了網絡輿情危機預警機制模型,并進行仿真分析,最終得到危機預警啟動規(guī)則。2021年6月18日,“煙花”生成;7月21日,臺風進入24小時警戒線,此時臺風已經達到強臺風級別,鄭州出現(xiàn)特大暴雨,多地被淹沒,中央氣象臺發(fā)布臺風藍色預警;7月24日,臺風本體上岸,浙江上海航班全部取消;7月25日,臺風登錄浙江,多處地區(qū)海水倒灌,浙滬沿海地區(qū)呈現(xiàn)巨浪;7月26日,余姚出現(xiàn)暴雨;7月28日,鄭州在經歷暴雨后又將面臨臺風,此時微博討論較為熱烈;7月29日,“煙花”二次登錄我國,并一路向西北方向行進;7月31日,煙花逐漸減弱,微博熱度逐漸減少至消退。7月22日在“煙花”升級為強臺風后,其話題熱度不斷增加,因此本文利用Gooseeker爬取了自7月19日到7月31日微博平臺6余萬條相關數(shù)據(jù)。經過去除重復數(shù)據(jù)、無用數(shù)據(jù)和干擾字符,最終得到5萬余數(shù)據(jù)。

4.1 指標定權、分級處理

a.采用基于三角模糊數(shù)的組合賦權方法對前期指標進行定權處理,并用改進白化權函數(shù)進行分級:

步驟1,根據(jù)以往文獻和專家經驗,將一級指標和其對應的二級指標分別進行兩兩對比,得到相應的三角模糊判斷互補矩陣A=(art)m×m和An(n=1,2,3,4),其中art=(artl,artm,artu),artl表示專家給出的保守評價,artm表示專家給出的中性評價,artu表示專家給出的樂觀評價。將一級指標的三角模糊判斷互補矩陣A去模糊化,然后利用MAX-MIN法對數(shù)據(jù)進行標準化處理,得到標準化矩陣A’,最后利用熵權法對標準化后的一級指標進行定權,得到權重ω=(ω1,ω2,ω3,ω4)。

步驟2,將各個二級指標的三角模糊判斷互補矩陣的行合并歸一化,得到權重向量ωij(i,j=1,2,3,4);然后利用公式(2)對應P(ωr≥ωt)求各個指標的純測量。

(2)

步驟3,確定指標的權重向量。假定任一指標優(yōu)于其他指標的純測量度用di表示di=minP(a≥b),

可得各個二級指標的期望權重向量為αj'=(d1,d2,…,dn)。根據(jù)歸一化公式,得到指標的權重向量αj=(α1,α2,…,αn)。

(3)

(4)

表2 網絡輿情預警指標體系評級

(5)

為了及時掌握臺風的動向,本文在真實數(shù)據(jù)的基礎上,利用基于模擬退火遺傳算法的模糊C均值聚類對數(shù)據(jù)進行聚類并分級,從表3可知從19日到31日,其指標的風險級別是在變化的,倘若只是將某一指標劃分為固定某一風險級別而忽略了它的變化,則可能造成官方得到輿論信息滯后而回應不及時,延長了政府采取措施的時間。

4.2 危機預警仿真分析

分析SPN模型,由表3可知,不同級數(shù)的風險指標對臺風事件網絡輿情危機預警的影響不同,但是其影響程度及各個風險指標之間的相互關系尚不清楚。因此本文用Matlab來對風險指標進行仿真分析,來探究其之間的影響關系。在對數(shù)據(jù)進行篩選、分析的基礎上,得出了相關λ的參數(shù):本文假定數(shù)據(jù)庫以每分鐘次的頻率進行更新,則λ1=20。根據(jù)采集的數(shù)據(jù)可得知,Ⅰ級、Ⅱ級、Ⅲ級和Ⅳ級風險指標的影響速率分別為9條/分鐘、6條/分鐘、4條/分鐘和2條/分鐘,即λ2=9,λ3=6,λ4=4,λ5=2。與此同時,公眾情緒倍受感染(λ6)、謠言大量傳播(λ7),官方回應不及時(λ8),假設λ6=4,λ7=5,λ8=1。根據(jù)所搜集的數(shù)據(jù)可知,Ⅰ'級,Ⅱ'級、Ⅲ'級和Ⅳ'級風險指標的影響速率分別為1條/分鐘、0.5條/分鐘、0.2條/分鐘和0.1條/分鐘,即λ9=1,λ10=0.5,λ11=0.2,λ12=0.1。隨著臺風的不斷影響,再加上政府以及官方未及時處理輿論信息(λ13),導致事件升級(λ14),最終啟動預警機制并且對此時形勢進行專題分析,不妨設λ13=10,λ14=7,λ15=1。啟動預警機制后,

系統(tǒng)對數(shù)據(jù)不斷進行更新處理,即監(jiān)測(λ16)(假設系統(tǒng)對數(shù)據(jù)2分鐘進行一次監(jiān)測,即λ16=2),以便風險不斷變化而采取不同措施。

4.2.1一級風險指標對穩(wěn)態(tài)概率的影響

在保持其他λ值不變的情況下,分別分析λ2、λ9和各狀態(tài)穩(wěn)態(tài)概率的關系。 圖4(a)是Ⅰ級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果,圖4(b)是Ⅰ'級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果。通過兩圖對比分析可知:Ⅰ級風險指標實時值對危機預警啟動概率(P(M15))影響較小,其曲線較為平穩(wěn)。而Ⅰ'級風險指標實時值對危機預警啟動概率影響相對較大,其曲線整體波動較大,隨著λ9參數(shù)的不斷增大,其概率也從0.32上升到0.38。

(a) (b)圖4 Ⅰ級風險指標和Ⅰ'級風險指標實時值對穩(wěn)態(tài)概率的影響

4.2.2二級風險指標對穩(wěn)態(tài)概率的影響

在保持其他λ值不變的情況下,分別分析λ3、λ10和各狀態(tài)穩(wěn)態(tài)概率的關系。圖5(a)是Ⅱ級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果,圖5(b)是Ⅱ'級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果。通過兩圖的對比分析可知:Ⅱ級風險指標實時值對危機預警啟動概率(P(M15))影響較小,其曲線較為平穩(wěn)。而Ⅰ'級風險指標實時值對危機預警啟動概率影響相對較大,其曲線波動較大,隨著λ10參數(shù)的不斷增大,其概率從0.33上升到0.39。

(a) (b)圖5 Ⅱ級風險指標和Ⅱ’級風險指標實時值對穩(wěn)態(tài)概率的影響

4.2.3三級風險指標對穩(wěn)態(tài)概率的影響

在保持其他λ值不變的情況下,分別分析λ4、λ11和各狀態(tài)穩(wěn)態(tài)概率的關系。 圖6(a)是Ⅲ級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果,圖6(b)是Ⅲ'級風險指標實時值對各個穩(wěn)態(tài)概率的仿真結果。通過兩圖的對比分析可知:Ⅲ級風險指標實時值對危機預警啟動概率(P(M15))影響較小,其曲線較為平穩(wěn)。而Ⅲ’級風險指標實時值對危機預警啟動概率影響相對較大,其曲線波動較大,隨著λ10參數(shù)的不斷增大,其概率從0.34上升到0.41。

(a) (b)圖6 Ⅲ級風險指標和Ⅲ'級風險指標實時值對穩(wěn)態(tài)概率的影響

綜上所示,臺風期間對數(shù)據(jù)進行監(jiān)測分析后得到的風險指標分級實時值對預警啟動概率影響程度更大。臺風的不確定性因素造成了各級指標風險級別的不斷變化(有些臺風前期Ⅳ級指標可能會隨著臺風發(fā)生危險級別逐漸上升),若只關注臺風前期各級指標實時值的影響,可能會出現(xiàn)把Ⅰ級風險當作Ⅳ級指標來處理,那么就會導致信息滯后,官方回應不及時,最終延長預警的啟動時間。這不利于輿論消息的及時處理,同時對危機預警機制的實施也有一定的影響。因此,要將臺風發(fā)生前的風險指標和臺風發(fā)生期間的風險指標實時值同時監(jiān)測,及時分級,根據(jù)危機預警機制及時采取相應措施。

4.3 危機預警啟動

由上結果可知,僅僅分析臺風前期指標級別與危機預警啟動的概率,容易造成預警響應時間的延長而錯過最佳決策的時間。為了縮短預警響應時間,本文研究了臺風發(fā)生前期Ⅰ級、Ⅱ級指標與危機預警啟動概率的關系以及臺風發(fā)生期間Ⅰ'級、Ⅱ'級指標與危機預警啟動概率的關系。同時對Ⅰ'～Ⅲ'級指標實時值交互關系進行仿真分析,得到了預警臨界曲面。為預警啟動提供了依據(jù)。

由圖7可知,保持除λ2、λ3以外的參數(shù)不變,利用公式(1)得到Ⅰ級Ⅱ級指標與預警啟動概率的關系式:

圖7 λ2和λ3與危機預警啟動概率關系圖

其中,p表示危機預警啟動的概率,λ2、λ3分別表示Ⅰ級、Ⅱ級指標實時值。如果設預警啟動閾值為0.1,則當λ2=1.6,λ3=1.8時,危機預警啟動概率為27.84%,此時系統(tǒng)進入警戒狀態(tài),根據(jù)評級系統(tǒng),自動開啟對應級數(shù)警報,在臺風發(fā)生前期,政府根據(jù)報警級數(shù)及時做好預防工作,減少損失。

在做好預防工作的同時,應監(jiān)測實時數(shù)據(jù),根據(jù)臺風發(fā)生期間收集的數(shù)據(jù)進行重新分類分級,分析Ⅰ'級、Ⅱ'級指標與危機預警啟動概率的關系。如圖8所示,保持除λ9、λ10以外的參數(shù)不變,利用公式(1)得到Ⅰ級Ⅱ級指標與預警啟動概率的關系式:

圖8 λ9和λ10與危機預警啟動概率關系圖

其中,λ9、λ10分別表示Ⅰ'級、Ⅱ'級指標實時值。當λ9=0.24,λ10=0.25時,危機預警啟動概率為24.88%,此時系統(tǒng)進入警戒狀態(tài),根據(jù)評級系統(tǒng),自動開啟對應級數(shù)警報,在臺風發(fā)生期間,政府根據(jù)報警級數(shù)及時采取措施,做出官方回應。

Ⅲ'級指標雖然影響不大,但是也不能忽略其值的增長。故本文根據(jù)Ⅰ'～Ⅲ'級指標實時值交互關系來分析是否達到預警曲面臨界值。如圖9所示,當λ9=0.13,λ10=0.47,λ11=0.2455時達到預警臨界曲面,此時啟動警報。曲面以下表示未啟動預警,離曲面以下越遠其啟動概率越小。當三者交互達到臨界曲面值時則應采取相應措施。

圖9 Ⅰ'～Ⅲ'標實時值變動下預警臨界曲面

若將預警啟動閾值設定為0.1,則:當預警啟動概率p∈[0.1,0.2)或者達到交互影響產生的臨界曲面,則啟動藍色警報;當預警啟動概率p∈[0.2,0.3)或者達到交互影響產生的臨界區(qū)面,則啟動黃色預警;當預警觸發(fā)概率p∈[0.3,0.4)或者達到交互影響產生的臨界曲面,則啟動橙色預警;當預警啟動概率p≥0.4時,則啟動紅色警報。

按照預警觸發(fā)相關規(guī)則,通過對上述參數(shù)計算得出21日“臺風煙花事件”發(fā)生預警警報幾率是最大的,為p=0.481>0.4,故啟動紅色預警。而由圖10可知,7月21日輿情態(tài)勢達到了最高峰,這與本文的研究相符。

圖10 臺風“煙花”網絡輿情態(tài)勢

5 結 語

本文基于輿情指標體系的建立,構建了行之有效的突發(fā)臺風事件網絡輿情危機預警機制并對其進行仿真分析,制定了危機預警啟動規(guī)則。

a.面對臺風風險等級不斷變化的情況,本研究在臺風發(fā)生前,采用組合賦權法對指標進行分類分級,在臺風發(fā)生期間,利用SAGAFCM算法將處理好的指標數(shù)據(jù)進行聚類,分別得到不同的四級風險指標(Ⅰ～Ⅳ級風險指標和Ⅰ'～Ⅳ'級風險指標),并根據(jù)風險指標級別的強弱制定網絡輿情危機預警機制,為臺風這類突發(fā)事件網絡輿情預警提供了理論依據(jù),且指標風險實時更新,豐富了輿情預警機制的研究。

b.利用隨機Petri網與馬爾可夫鏈同構思想,分析關于臺風“煙花”事件網絡輿情危機預警機制,通過MATLAB仿真得到Ⅰ'～Ⅲ'級風險指標的交互關系,為突發(fā)臺風事件網絡輿情預警提供決策支持。具體決策為:在臺風發(fā)生前期,根據(jù)Ⅰ級,Ⅱ級和Ⅲ級指標實時值判定預警機制處于危機的概率,若此時概率超過了臨界曲面值,則啟動相應級別預警,否則監(jiān)測臺風發(fā)生期間Ⅰ'～Ⅲ'指標實時值;若Ⅰ'級、Ⅱ'級和Ⅲ'級指標實時值超過了預警臨界曲面值,則啟動相應級別預警,否則監(jiān)測Ⅰ'級、Ⅱ'級和Ⅲ'級風險指標的交互影響;若這三個指標交互作用達到了預警臨界曲面值,則啟動對應級別預警,否則重新對系統(tǒng)進行監(jiān)測。

本文建立了突發(fā)臺風事件網絡輿情預警機制,拓展了突發(fā)事件預警機制的研究領域,為政府部門采取應對措施提供了決策依據(jù)。另外,由于臺風事件屬于突發(fā)性事件,其具有不確定性和多變性,并沒有一套統(tǒng)一、權威的網絡輿情指標體系,未來的研究可以從指標體系的構建進行探討。