政府重大投資項目輿情風險預警指標體系研究*

高 航，丁榮貴

政府重大投資項目輿情風險預警指標體系研究*

高 航，丁榮貴

針對政府重大投資項目輿情風險多發的問題，在探索項目輿情風險作用機理的基礎上，提出涵蓋輿情主體、輿情信息、輿情傳播、輿情受眾等四個維度的項目輿情風險預警指標體系。利用層次分析法對各個指標的權重系數進行測算，通過BP神經網絡模型進行仿真實驗，以昆明PX項目的輿情數據驗證項目輿情風險預警指標體系及其權重設置的可靠性與有效性。

輿情風險 預警指標體系 政府重大投資項目

0 引言

政府重大投資項目一般具有涉及面廣、影響力大、復雜性強等特點，其決策需重視公眾的知情權、參與權與監督權[1]。近年來，一些關于政府重大投資項目的謠言經傳播發展，最終成為波及范圍廣泛的負面輿情，給項目信譽和政府公信力帶來較大損害。建立重大投資項目輿情風險預警指標體系刻不容緩[2]。

近年學者針對輿情風險預警問題，從預警機理、預警模式、指標體系等方面開展了研究。王來華從情、知、意等因素分析輿情，認為在事件發生、應急和預防等不同階段，輿情風險有不同特點[3]。許鑫等以輿情主題信息為切入點，按照輿情發展的一般規律，探索突發事件輿情預警模式[4]。曾潤喜關注互聯網對輿情風險的影響，構建涵蓋警源、警兆、警情的網絡輿情風險預警指標體系[5]。總體來說，學者對于輿情風險預警的研究方興未艾，數量較少，方法較單調，存在關注具體事件多而關注重大項目少的問題。

欲對項目輿情風險進行有效管控，需要建立在洞悉輿情產生、發展與態勢的基礎上。筆者面向政府重大投資項目輿情風險的產生根源與傳播特點，構建涵蓋輿情主體、輿情信息、輿情傳播、輿情受眾等維度的重大項目輿情風險預警指標體系，旨在協助相關方面及時有效地監測輿情動態，為管控輿情風險提供支持。

1 政府重大投資項目輿情風險作用機理

政府重大投資項目輿情的形成需要經歷一系列復雜的過程，事件起源、媒體傳播、公眾關注、政府處理之間互相影響，構成圖1所示的政府重大投資項目輿情風險作用機理。

政府重大投資項目輿情事件的發生與發展一般遵循以下四個階段。

第一階段：事件發生。根據張一文等的研究，網民最關注的輿情事件主要有政府管理、重大項目、安全事故、經濟民生、醫患關系、文體娛樂等類型[6]。事件源被當事人或其他利益相關方披露，引發一些群眾的評論與關注，影響逐步擴大。

圖1 政府重大投資項目輿情風險作用機理

第二階段：媒介傳播。事件經過各種傳播途徑后，獲得更多關注，細節被挖掘，內容被重新解讀，并對國內外相似事件進行比較，促使事件的影響進一步擴大。

第三階段：民眾關注。在輿情事件被不斷放大的情況下，民眾關注熱情高漲，事件的波及范圍不斷增大，形成社會公共事件。

第四階段：政府管控。在輿情事件形成社會熱點時，為維護社會穩定，政府部門往往會調查事件起因，向公眾披露事件處理進展，并做出改善承諾，輿情事件一般會在政府有效介入后逐漸平息。

政府部門在有效化解輿情事件的負面影響中扮演著重要角色。互聯網的普及助推了輿情傳播的深度、廣度與速度，致使輿情不斷演化擴大。如果政府采用傳統的輿情控制作法，往往會導致應對的滯后性、被動性，管控效果不佳，公信力受損。

2 基于層次分析法的項目輿情風險預警指標體系構建

科學合理的預警指標體系是對政府重大投資項目輿情風險整體態勢進行系統評估與動態監控的基礎與前提。筆者利用層次分析法構建項目輿情風險預警指標體系，依據專家意見進行指標權重測算，并運用預警指標體系對實際輿情數據進行科學研判，有助于政府部門采取恰當的應對策略來降低輿情風險。

2.1 層次分析法及其適用性

層次分析法于20世紀70年代由美國數學家Thomas L.Saaty提出，是一種將問題層層分解的科學評價方法。該方法將欲解決的問題細分為處于不同層次的各種因素，由上層到下層按照因素的相對重要性進行打分，并將結果展現為矩陣。在計算矩陣的標準化特征向量的基礎上，進行一致性檢驗，最終得到各要素的層次單排序和層次總排序權重值。層次分析法是一種有效的系統分析和科學評價方法，適合于人類大腦分析解決問題所需進行的比較、分解和綜合過程。筆者應用層次分析法研究各類事件和現象對輿情風險的影響程度，以向專家發放調查問卷的形式對各指標權重進行調研，發出問卷90份，回收85份，經過篩選后的有效問卷78份，問卷有效率為91.8%。

2.2 項目輿情風險預警指標體系構建思路

學者對輿情風險預警指標體系的研究始于2006年，集中在信息科學、情報科學、新聞傳播、公共管理等領域。戴媛等從網絡輿情安全角度出發，提出以輿情綜合指數為一級指標，以輿情流通量、輿情要素、輿情狀態趨勢為二級指標的網絡輿情安全評估指標體系[7]。金兼斌認為輿情主要可以通過促發因素、傳播成本、持續時間、增長速度、地域分布、主題顯著度、意見分布等7個因素加以描述，他提煉出時間維度、數量維度、顯著維度、集中維度、意見維度5個二級指標，并構建了輿情風險監測指標體系[8]。談國新等利用信息空間模型對網絡輿情的傳播過程和產生根源進行分析研究，提出包括輿情、輿情受眾、輿情傳播、輿情發布者、區域和諧在內的輿情風險預警指標體系，首次增加了從區域差異視角考察潛在社會矛盾的指標[9]。以上學者提出的輿情風險預警指標體系在傳播層面對輿情傳播的主題、受眾、過程等要素進行了全面揭示，在內容層面從內容識別、內容分析等角度對輿情價值進行了深度挖掘，基本上涵蓋了從主題、內容到傳播等大部分輿情風險預警點[10]。不過，由于受研究方法所限，這些指標體系各有不足，存在指標體系不完整、忽略受眾分析、行業針對性不強等問題。筆者按照可測性、可靠性、導向性、延續性等原則，依據政府重大投資項目輿情風險作用機理，立足輿情風險產生與傳播的全過程，提出應從輿情主體、輿情信息、輿情傳播、輿情受眾等四個維度對輿情風險進行描述，以此為基礎構建政府重大投資項目輿情風險預警評價指標體系。

2.3 項目輿情風險預警指標體系說明

筆者運用層次分析模型對輿情主體、輿情信息、輿情傳播、輿情受眾等四個二級指標進行細化，建立表1所示的階梯層次結構模型。

表1 政府重大投資項目輿情風險預警指標體系階梯層次結構模型

輿情主體指標主要是指輿情信息發布者的相關特征測度，分為權威性、影響力、價值觀、活躍度等四個方面，其中權威性主要是指輿情主體具有使人信服的力量和威望；影響力主要是指輿情主體引起輿情受眾作出預期反應的感召力；價值觀主要是指輿情主體對自身及外界事物的價值定位；活躍度則主要是指輿情主體在傳播媒介中發布信息的頻率及獲得的響應。輿情信息指標主要是指輿情主題的相關屬性，分為主題性、敏感度、關注度、危害性等四個方面，其中主題性主要是指輿情信息主題的類型；敏感度主要是指輿情信息容易引發大眾興趣的程度；關注度主要是指輿情信息的熱度和聚焦程度；危害性主要是指輿情信息影響社會穩定和經濟發展的程度。輿情傳播指標主要是指影響輿情信息傳播與擴散的各種因素，分為傳播方式、媒體影響力、演化度、擴散度等四個方面，其中傳播方式主要是指輿情信息傳播的主要載體；媒體影響力主要是指傳播輿情信息的媒體的受眾感召力；演化度主要是指輿情信息在傳播過程中的演化與變異程度；擴散度主要是指輿情信息從上一級輿情主體向下一級輿情主體擴散的程度[11]。輿情受眾指標主要是指輿情信息接收者的屬性特征，分為受眾規模、地理分布度、受眾共鳴度、再傳播率等四個方面，其中受眾規模主要是指受輿情信息影響的人群規模；地理分布度主要是指輿情受眾在地域上的集中或分散程度；受眾共鳴主要是指輿情信息被輿情引發受眾共情與認可的程度；再傳播率主要是指輿情受眾將輿情信息再次轉發的比率[12]。

2.4 項目輿情風險預警指標體系權重測算

在專家打分的基礎上，經過層次分析法的計算，得到圖2所示的政府重大投資項目輿情風險預警指標體系權重結果。

圖2 政府重大投資項目輿情風險預警指標體系權重結果

3 基于BP神經網絡的項目輿情風險預警指標體系驗證

筆者利用層次分析法設計了政府重大投資項目輿情風險評價指標體系及其權重設置。然而層次分析法雖然較成熟，但也存在受專家偏好影響大、將相差懸殊的要素放在同一層次比較、忽視動態因素等缺點，出現易受人為因素影響、評價結果主觀性強、帶來漂移值等問題。為彌補層次分析法的不足，須通過基于實際數據的分析方法來對已得到的項目輿情風險指標體系進行驗證，以確保評價指標體系的科學合理性。

3.1 BP神經網絡模型

BP神經網絡是由Rumelhart提出的一種多層次反饋網絡模型，通過模仿人類大腦的神經網絡的自學習、自適應能力和強容錯性，可進行更加接近人類思維模式的定性和定量相結合的綜合評價。該方法通過樣本的“學習與培訓”可模仿事物在時空方面的錯綜復雜關系，強大的自學能力和廣泛的適應性讓其在解決非線性問題方面效果顯著。該方法可以幫助彌補層次分析法在確定重大項目輿情風險指標體系中的不足，與層次分析法形成互補驗證，以增加指標體系的客觀合理性[13]。

圖3 三層BP神經網絡模型的拓撲結構

筆者采用具有多輸入的三層BP神經網絡來驗證政府重大投資項目輿情風險預警指標體系的合理性。第一層為輸入層，共n個節點，分別輸入無量綱化處理的n個輿情風險預警指標；第二層為隱含層，根據問題的復雜程度有所不同，共m個節點；第三層為輸出層，有y個節點，輸出被評價對象的總評價結果。

3.2 數據與樣本處理

筆者選取2013年5月發生的昆明PX項目輿情事件作為實驗數據，數據來源于“天涯論壇”，對該論壇中關于昆明PX項目的723個帖子進行統計和處理。

2013年5月16日，昆明眾多市民戴著寫有黑色PX、紅色叉號的口罩，舉著“春城拒絕污染項目”等標語等走上街頭，抗議有爭議的PX項目落戶，引發網友在論壇上大量發帖。持續半個多月后，事件逐漸降溫，到2013年5月31日基本平息。出于處理需要，筆者將此期間的16天作為16個時間點來處理，以此為基礎統計各時間點下輿情風險指標的原始數據，并進行歸一化處理。

3.3 基于BP神經網絡模型的仿真檢驗

根據層次分析法得出的政府重大投資項目輿情風險預警指標體系，輸入層的節點數n=16，輸出層的節點數y=1。在確定隱含層節點數時，根據其計算公式，將α在1～10之間逐個試驗，得到當α=7時，BP神經網絡的經驗優化誤差最小，得到隱含層節點數m=11。

為保證仿真實驗的效果，筆者選用前12個時間點的指標數據作為訓練樣本，后4個時間點的指標數據作為檢驗樣本。采用Matlab中的BP神經網絡工具箱進行訓練，設定的學習精度為ε=0.0001，訓練次數N=1200，其訓練結果和檢驗結果分別如表2所示。

表2 基于Matlab的BP神經網絡訓練結果

從表2可知，除第3和第7個訓練樣本出現超過5%的相對誤差外，其余10個訓練樣本的相對誤差較小，說明該三層BP神經網絡模型的訓練效果較為理想。在此基礎上，將4個檢驗樣本的指標數據輸入訓練完成的網絡模型，得到的檢測結果如表3所示。

表3 未經訓練的4個樣本檢驗結果

從表3可知，各檢驗樣本的實際輸出與期望輸出之間的最大相對誤差為3.88%，相對誤差絕對值的平均數為2.58%，說明利用層次分析法通過專家調研得到的政府重大投資項目輿情風險預警指標體系及其權重系數，與采用實際數據的檢測結果基本一致，指標體系通過了BP神經網絡的驗證。

4 結論

科學的操作性強的風險預警指標體系可以為有關部門研判政府重大投資項目輿情、建立風險預警機制以及確立應急方案提供管理參考。本文根據政府重大投資項目輿情風險作用機理，在國內外學者相關研究的基礎上，梳理推動輿情產生及演化的原因，遵循可測性、可靠性、導向性、延續性等原則，結合信息傳播過程模型，提出應從輿情主體、輿情信息、輿情傳播、輿情受眾等四個維度來描述輿情風險。在此基礎上，構建了政府重大投資項目輿情風險預警評價指標體系，利用層次分析法對各個指標的權重系數進行測算，并通過BP神經網絡模型對昆明PX項目輿情的相關數據進行仿真實驗，以此驗證政府重大投資項目輿情風險預警指標體系的可靠性與有效性。

[1]方潔，龔立群.利益相關者視角下的微博輿情監測指標體系研究[J].情報雜志，2013（9）：29-33.

[2]蘭月新，曾潤喜.突發事件網絡輿情傳播規律與預警階段研究[J].情報雜志，2013（5）：16-19.

[3]王來華.政府如何應對輿情危機[J].決策，2007（7）：34-35.

[4]許鑫，章成志.國內網絡輿情研究的回顧與展望[J].情報理論與實踐，2009（3）：115-120.

[5]曾潤喜.網絡輿情突發事件預警指標體系構建[J].情報理論與實踐，2010（1）：77-80.

[6]張一文，齊佳音，方濱興，等.非常規突發事件網絡輿情熱度評價指標體系構建[J].情報雜志，2010（11）：71-75.

[7]戴媛，姚飛.基于網絡輿情安全的信息挖掘及評估指標體系研究[J].情報理論與實踐，2008（6）：873-876.

[8]金兼斌.網絡輿論調查的方法和策略[J].河南社會科學，2007（4）：118-121.

[9]談國新，方一.突發公共事件網絡輿情監測指標體系研究[J].華中師范大學學報（人文社會科學版），2010（3）：66-70.

[10]喻國明.現階段中國社會輿情的態勢、熱點與傳播機制研究[J].中國人民大學學報，2013（5）：1-9.

[11]王青，成穎，巢乃鵬.網絡輿情監測及預警指標體系研究綜述[J].情報科學，2011（7）：1104-1108.

[12]付宏，田麗.基于微博傳播的輿情演進案例研究[J].圖書情報工作，2013（8）：34-37.

[13]朱毅華，郭詩云，張超群.網絡輿情研究中的仿真方法應用綜述[J].情報雜志，2013（10）：29-35.

Research on Risk Early Warning Index System of Public Opinions on Major Government Projects

GAOHang，DINGRong-gui

Based on the mechanism of public opinion risk in major government project，a risk early warning index system of public opinions is proposed，which consists of four parts：subject，information，media，audience.The authors estimate the weight of each indicator with AHP（Analytic Hierarchy Process），and do simulation experiments with BP Neural Network on Kunming PX Project to verify the reliability and effectiveness of the system and its weights.

public opinion risk；early warning；major government project

格式 高航，丁榮貴.政府重大投資項目輿情風險預警指標體系研究[J].圖書館論壇，2014（7）：28-33.

高航（1983-），男，山東大學管理學院博士，山東政法學院講師；丁榮貴（1967-），男，博士，博士生導師，山東大學管理學院教授。

2014-01-29

*本文系國家自然科學基金項目“項目利益相關方治理關系網絡風險研究”（編號：71072111）、山東大學人文社會科學重大研究項目“政府重大投資項目評價和治理機制研究”（編號：12RWZD16）研究成果之一