政務微博整體網絡的關系解剖

杜楊沁

〔摘 要〕本文聚焦政務微博整體網絡，對網絡中的整體特性進行剖析。通過引入可達性、聚焦效應、簡并度和鄰居成員間相互作用4個方面指標，本文從縱向層面對政務微博網絡進行了深層剖析，詳細地探尋網絡中各節(jié)點之間的相互作用和網絡演化能力。研究表明政務微博具有小世界特性、較高的凝聚力和信息傳達性等特征，對政務微博輿情的監(jiān)管應抓住核心節(jié)點，根據各節(jié)點不同特征采取相應的運營策略。

〔關鍵詞〕政務微博；社會網絡；關系

DOI：10.3969/j.issn.1008-0821.2015.09.010

〔中圖分類號〕G315 〔文獻標識碼〕A 〔文章編號〕1008-0821（2015）09-0049-07

〔Abstract〕This paper studied features of government micro-blog social network.In response to accessibility，cluster effect，degeneracy and neibourghood relationship of a social network，this paper introduced four types of indicators to capture the reaction among individual egos and network developmental capacity.The study showed small-world effect，cohesion，and diffusibility in government micro-blog social network.The paper concluded that the government micro-blog with small world properties，higher cohesion and information communication features，the government micro-blog public opinion supervision should grasp the core node，take the corresponding operation strategy according to the different characteristics of each node.

〔Key words〕government micro-blog；social network；relationship

微博為網民提供了一種創(chuàng)新的交互方式，逐漸形成了穩(wěn)定的網絡關系網。信息的傳遞在復雜的關系網中進行傳播擴散。因此，微博網絡關系網可以看成是一個復雜的社會網絡，具備了社會網絡的基本特點。程學旗、沈華偉（2012）[1]認為微博在用戶的使用過程中，在網絡空間結成了各種關系，比如，用戶之間的關注關系、實時交互過程中結成的共同興趣關系。彭蘭引入社會網絡理論來分析微博的信息傳播機制，認為社會網絡不僅是微博的信息擴散的基本機制，而且是一種信息消費模式，并呈現分布式的特點。因此，有效分析和挖掘微博中復雜的用戶關系不僅可以激發(fā)、助推和引導、控制社會輿論事件的發(fā)展趨勢，還可以大大降低各類成本。王連喜等（2012）[2]認為Web20的廣泛應用和新型社會化網絡服務媒體的盛行，促使網絡服務服務從以數據為主導開始轉變?yōu)橐杂脩艋蛴脩絷P系為指導，微博作為當下最流行的社會化網絡服務媒體，其用戶關系挖掘研究成為在這一背景下迅速興起的一個新的研究課題。因此，社會網絡模型和輿情指標的構建是研究微博用戶關系網絡及交互行為的一種系統(tǒng)方法。

基于微博的以“關系”為核心的特征和微博研究的創(chuàng)新性意義，國內外學術界已經有學者將研究方向轉向于此，并已經取得了一定的成果。目前，主要研究角度有以下幾個方面：

（1）對微博社會網絡結構的研究

Haewoon Kwak等（2010）[3]通過對Twitter網站的數據挖掘，對其粉絲的拓撲結構進行分析，認為Twitter粉絲為一種非冪律分布，短有效半徑，低互惠，這與人類社會網絡結構特性有所偏離；Mislove A等（2007）[4]對在線社交網絡進行了靜態(tài)拓撲圖的研究。通過對大規(guī)模的測量研究和分析多個在線社會網絡的結構，論文證實了在線社交網絡的小世界，冪律和無標度特性。此外，該文還通過觀察到用戶節(jié)點的入度與出度；發(fā)現網絡包含一個人口密集程度高的節(jié)點的核心，這個節(jié)點小團體色彩強烈。張韋全、陳京民（2012）[5]對微博參政群體進行密度、中心性、凝聚子群以及結構洞的挖掘，發(fā)現微博參政群體存在參政領袖和子群現象；微博社會網絡的微觀結構分析、微博社會網絡中的信息傳遞機制、資源共享機制、信息傳輸成本和傳播效率等問題仍需進行深入探討，同時缺少實證方面的研究。平亮、宗利永（2010），姜鑫、田志偉（2012）[6]，袁園、孫霄凌、朱慶華（2012）[7]，宋恩梅、左慧慧（2012）[8]均從不同的角度嘗試構建了基于社交網絡模型的微博輿情指標，研究了微博的微觀網絡結構和信息傳遞的方式，推進了微博研究的向深度方向、量化分析方向發(fā)展。

（2）對微博網絡中交互行為的研究

Kristene Unsworth等（2012）[9]運用社會網絡分析方法、內容分析和話語分析3種混合方法分析美國農業(yè)局與大眾之間的互動，指出傳統(tǒng)定義中的透明、合作和參與型政府應在社交媒體的互動環(huán)境下進一步延伸。Wilson C等（2009）[10]對Facebook在線用戶之間的交互關系進行研究，提出對用戶交互使用進行社會聯系的量化分析，臉譜網用戶的使用痕跡表明，他們表現出的“小世界”性質所現實的水平略低于同行，這意味著，臉譜網的網絡關系結構圖中“超節(jié)點”的程度非常高。王瑩莉、張敏（2012）[10]認為，微博為網民提供了一種創(chuàng)新的交互方式，逐漸形成了穩(wěn)定的網絡關系網。信息的傳遞在復雜的關系網中進行傳播擴散。因此，微博網絡關系網可以看成是一個復雜的社會網絡，具備了社會網絡的基本特點。微博研究在傳播特征及運作機制上已取得了一定的成果，但在微博用戶關系網絡及其交互行為，微博信息組織、共享和管理機制研究等方面仍需要更為系統(tǒng)的研究框架支持。endprint

（3）比較微博社交網絡與現實社交網絡的區(qū)別

Ahn Y Y等（2007）[11]研究在線社交網絡與現實社交網絡關系的差異性，通過Cyworld、MySpac和Orkut 3個在線社交網絡的數據挖掘、分析其度相關性、度分布和聚類性能。結果發(fā)現，在線社交網絡與現實社交網絡具有偏離性，不能夠完全復制。

（4）挖掘微博網絡中的關鍵節(jié)點

WangY等（2011）[12]利用基于鄰接圖譜矩陣的中心性等分析方法來度量Twitter用戶節(jié)點的重要性，根據節(jié)點重要性判斷Twitter網絡社區(qū)中的意見領袖。田占偉、隋玚（2012）[13]發(fā)現信息在微博網絡中的傳播效率比其他在線社會網絡更高，同時節(jié)點在信息傳播中的作用差異很大，易于形成意見領袖。袁毅（2011）[14]等從微博信息傳播網絡的角度出發(fā)，以原創(chuàng)博文為中心沿著多條路徑進行逐級發(fā)散傳播網絡，通過對微博網絡節(jié)點的影響力進行分析，發(fā)現強勢節(jié)點（意見領袖）越早出現在傳播早期，越有利于信息的擴散。平亮、宗利永等（2010）[15]在社會網絡的基礎上，結合微博用戶之間“關注”和“被關注”信息的傳播過程中所形成的網絡拓撲結構對微博社會網絡的中心性用戶進行了分析，并在此基礎上識別微博社區(qū)的意見領袖。王連喜等（2012）對微博的關鍵用戶識別進行了挖掘研究，認為目前研究文獻中對先有用戶影響力的定義和評價準則過于單一，需要設計更準確和更高效率的關鍵用戶識別方法。在用戶社群分析方面，需要加強對于微博層次重疊和動態(tài)的用戶社群分析研究，以通過對微博用戶關系的動態(tài)變化性來挖掘更多、更有價值的潛在規(guī)律。

綜合上述已取得的研究成果，我們認為未來微博關系網絡的研究應從網絡結構分析和用戶關系分析兩個角度，而用戶關系挖掘研究又存在兩條主線：即一是研究微博用戶社群的關系；二是微博關鍵用戶識別研究，關鍵用戶識別則主要是用各項指標測試該用的影響力。網絡結構分析則主要從用戶的關系結構進行分析，其中分為微觀網絡結構和宏觀網絡結構兩個視角。就國內的研究而言，運用社會網絡分析方法對微博進行的實證研究還比較少，以政務微博為研究對象的更是沒有，政務微博作為微博中的一個重要集群，它的社會網絡結構特征和輿情傳播特性及關鍵節(jié)點的情況等都亟待研究，從而可以更好地發(fā)揮政務微博在突發(fā)公共事件、輿情管理，社會公共服務等方面的重要作用。

本文將以新浪微博的十大政務為軸心的政務微博整體網絡為研究對象，從宏觀層面上分析政務微博網絡的特性。第一，本文將從縱向層面對政務微博的整體網絡進行深層次解剖，嘗試研究該網絡的微觀結構組成及該網絡成員在整體網絡中扮演的角色。第二，本文將利用網絡可達性、集聚效應、簡并度和鄰居成員間相互作用4個方面的指標體系進行剖析，重點關注該網絡中各節(jié)點間的相互作用關系和網絡演化能力。第三，本文將基于Ugander J等（2010）[16]解剖臉書（Facebook）社會網絡的研究成果，比對分析我國政務微博網絡表現出來的共性和特性。

1 整體網絡解剖的測量指標

本文將從網絡可達性、集聚效應、簡并度和鄰居成員間相互作用4個方面對政務微博整體網絡進行解剖，結合社會網絡分析方法的文獻成果，本文使用的指標體系包括距離、k核和集聚系數。

11 距離（Distance）

在整體網絡中，距離指標是衡量網絡中兩個節(jié)點間可達性和信息傳遞速度、成本的重要指標。距離是連接兩個節(jié)點之間最短路徑的長度。哈佛大學的Stanley Milgram在1967年通過對300名志愿者的調研實現中提出了著名的“六度分割理論”。Stanley指出，在小世界網絡中，一個人只需經過不超過6次的聯系中轉就可將信息傳遞給任意陌生人。Kleinberg，JM（2010）[17]構建了社會網絡模型，證明了在絕大多數小世界模型中，任意節(jié)點間的平均距離均小于6。在政務微博分析中引入距離指標，可以直觀地反映政務微博網絡中個體間消息傳播的速度（距離越短，消息傳播的速度越快），同時也是政務微博網絡是否具備小世界網絡特點的一個有效判斷依據。公式（1）為網絡中個體平均距離的計算公式，其中dist（i，j）為兩點間的最短距離。

distaverage=2N（N+1）∑i≤N∑j≥idist（i，j）

（1）

12 k核（k-core）

k核指的是在某個社會網絡構成的圖中，其任意一個子圖中的節(jié)點都至少與該子圖中的k個其它節(jié)點鄰接，是衡量網絡中簡化度（Degeneracy）的重要指標。Seidman，SB（1983）[18]首先構建了k核指標用于描述整體網絡凝聚力。他指出k核的增大能捕捉到網絡凝聚力逐漸提升的過程。除此之外，k核還表現出網絡中派系存在的一些特點。根據k值的不同，我們能嘗試尋找隱藏在網絡中的一些凝聚子群。在政務微博網絡分析中使用k核指標，將幫助我們識別網絡中各節(jié)點形成的派系特征，有助于對政務微博網絡中的個體進行分類標識，進而按照不同的派系研究網絡中形成的各群組的特點，從而掌握政務微博網絡的群組組成及其在網絡中扮演的角色。

13 集聚系數

集聚系數是描述網絡中節(jié)點特性的重要指標。集聚系數反映了網絡中節(jié)點之間集結成團的程度（即一節(jié)點與其它相鄰節(jié)點間相互連接的程度）。集聚系數越高，表示該節(jié)點附近發(fā)生集聚效應越明顯。集聚系數的定義如公式（2）所示，其中ki表示的是指向節(jié)點vi的邊與從節(jié)點vi指出去的邊的總數，L（i）表示與節(jié)點vi相連的邊的集合。理論研究表明，小世界網絡的集群系數遠大于同一規(guī)模下隨機網絡的集群系數。田占偉、隋（2012）研究發(fā)現，微博網絡的集群系數較大，集群現象顯著。集聚系數可用于描述政務微博網絡的個體間聚合程度，通過聚合程度的判斷，我們可以推斷出網絡中各類型群組具有的整體響應能力。集群現象越顯著，群組內整體響應的能力越強。endprint

Cc（v）=2{ejk∶vj，vk∈L（v），ejk∈E}kv（kv-1）

（2）

2 實證分析

21 實證數據準備

本文選取了人民網輿情監(jiān)測室《2012年新浪政務微博報告》公布的影響力排行十大政務微博機構為研究起點 ，基于十大政務微博“上海發(fā)布”、“平安北京”、“成都發(fā)布”、“平安中原”、“公安部打四黑除四害”、“南京發(fā)布”、“廣州公安”、“警民直通車-上海”、“上海鐵警發(fā)布”和“外交小靈通”構建形成一個復雜網絡。

筆者編寫了數據接口程序，通過新浪微博技術開放平臺提供的API接口獲取了十大政務微博的相互關注列表，首先構建形成了十大政務微博關注群集網絡，累計節(jié)點5 492個，每個節(jié)點代表1個微博用戶；接著，構建5 492個節(jié)點間的網絡關系。若兩個節(jié)點互相關注，則我們認為該節(jié)點建立了關系。根據此規(guī)則，共計建立114 566個關系，并給每組關系賦值權重為1。

本節(jié)將從網絡可達性、集聚效應、簡并度和鄰居成員間相互作用進行剖析，重點關注網絡中各節(jié)點間的相互作用關系和網絡演化能力。文章22節(jié)將引入距離指標分析政務微博網絡的小世界特性及網絡中個體的傳播效率；文章23節(jié)和24節(jié)將分別引入k核和集聚系數對政務微博網絡中各派系的集聚能力和信息傳播的整體響應能力進行分析；文章25節(jié)將通過研究鄰居節(jié)點的網絡大小分析網絡中相鄰個體間的相互關系及影響。

22 六度分隔效應

采用公式（2）計算我們得出，政務微博網絡的“平均距離”為275，最大距離為4，約占176%；最小距離為1，約占08%；網絡中距離為2和3的個數分別占到整體網絡的274%和674%。

計算結果顯示，政務微博的距離指標在“六度分割理論”的范圍之內，甚至小于Ugander J等（2010）計算得到的Facebook網絡中兩節(jié)點間的平均距離470。這一結果說明，政務微博網絡具有典型的小世界網絡特性，且網絡中各個體間關系緊密，信息在政務微博網絡中具有快速傳播的能力。正因為其具有小世界網絡的特性，我們發(fā)現政務微博網絡出現了小世界網絡中通常都存在的樞紐現象，即以“上海發(fā)布”、“南京發(fā)布”等大型政務微博為核心樞紐的輻射狀網絡體系。同時，基于平均距離得到的凝聚力指數為“0282”，表示從整體上看，政務微博具有一定的凝聚力。

23 凝聚子群

根據Seidman，SB（1983）的算法，我們采用Ucinet軟件計算得到了政務微博所有5 492個節(jié)點的k核值，其中k核值最大為57，最小為1，均值為22。圖1繪制得到了k核值的整體分布情況。由圖中可以看出，網絡中節(jié)點的k核指標值呈現出遞減分布的趨勢，即在網絡中擁有較大k核值的節(jié)點占少數，隨著k核指標的不斷增加，擁有該k核指標的節(jié)點數呈現出下降趨勢。

同時，我們也發(fā)現k核值為36和57的節(jié)點分布與整體趨勢存在較大的差異，分別有332和347個節(jié)點k值為36和57。通過分析這兩組節(jié)點，我們觀察到了一個有趣的現象。在k核值為57的節(jié)點中，有很大一部分是公安類的微博，既包括“平安北京”、“平安中原”等6個躋身10大政務微博的公安類微博；又涵蓋了諸如“余明警官”在內的諸多個人公安類微博。而在k核值為36的節(jié)點中，存在著幾類特殊的集聚子群。分別是以“新聞晚報”、“新華社中國網事”等為代表的新聞訊息類政務微博子群，以“上海普陀”、“上海楊浦”等為代表的上海地方性政務微博子群、以“南京市審計局”、“南京市公安消防局”等為代表的南京地方性政務微博子群。綜合分析，我們認為k核同時具備反映政務微博集聚效應和派系效應的特點。在政務微博社會網絡中，絕大部分群體凝聚成一個小團體，k核值較小；但是，我們也發(fā)現了諸如公安類政務微博群和上海、南京等幾個典型的地方政務微博群具有較強的凝聚效應。特別需要指出的是公安類的微博，表現出了很高的凝聚力，組成了一個覆蓋范圍很廣的派系。

表1給出了十大政務微博的k核值，由表中指標值可以看到，除了“成都發(fā)布”、“南京發(fā)布”和“外交小靈通”外，其余7個微博k值均超過了50。表現出了很高的集聚效應。這也與先前研究中發(fā)現的公安類和典型的地方性微博具有很強的凝聚能力吻合。此外，值得特別一提的是“外交小靈通”，該微博的k核值僅為25，相較均值略高，這說明以“外交小靈通”為代表的社會子網是一個較小的團體，但正是這個看起來不是很起眼的小團體具有很強的信息傳遞效率，并位列十大政務微博之中，其運營模式值得我們進一步關注和研究。 Ugander J等（2010）文章中指出，k核與網絡大小存在正向聯系，即如果你身處一個大型社會網絡中，則你更有機會結識并形成一個包含更多人在內的子群。該文通過分析Facebook社交網絡得到的實證研究結果顯示：一個擁有100人的社交網絡子群，其k核值約為15；一個擁有500人的社交網絡子群，其k核值將達到53。圖2給出了政務微博網絡大小與k核值相關分布圖。通過比較我們發(fā)現，當政務微博子網大小達到100時，其k核值將達到約40左右，遠大于Facebook中同樣規(guī)模的子網絡表現出來的集聚效應。這說明相比一般的社交網絡群體，政務微博網絡呈現出更好的簡化度。當子網大小超過400時，k核指標將收斂于一個穩(wěn)定的區(qū)間，該區(qū)間與Facebook同樣規(guī)模的子網k核值接近，約為55左右。這說明相對于Facebook這樣大型的社交網絡，政務微博網絡具有一定的范圍約束，即社會網絡隨著網絡大小的增加，其聚合簡化能力將趨于穩(wěn)定。這一特點意味著政務微博的發(fā)展不能僅依靠粗獷式的發(fā)展模式，否則在發(fā)展到一定規(guī)模后，新增成員給該政務微博社交網絡帶來的貢獻和效率將顯著下降甚至幾乎不會帶來更多的幫助。

從十大政務微博網絡大小和k核值分布情況看，綜合性政務微博的聚集能力比公安類微博的聚集能力表現差一些。以“上海發(fā)布”和“南京發(fā)布”為例，兩個微博的網絡大小分別達到了1 061和1 210，但其網絡大小并沒有給k核值帶來額外的貢獻。特別地，“南京發(fā)布”的k核值甚至比許多網絡大小一般的公安類政務微博來得小，為48。“公安部打四黑除四害”微博則表現出了高度的聚集能力。從表看到，“公安部打四黑除四害”的網絡大小僅為152，但其k核值卻高達57。這也意味著“公安部打四黑除四害”微博具有凝聚其它重要公安類微博的能力，從而為其在信息傳遞和輿情控制上表現出色創(chuàng)造了條件。endprint

24 集聚效應

反映網絡中各節(jié)點聚合程度的指標有多個，k核和集聚系數是其中最直觀的兩個。k核指數傾向于描述網絡中個體中潛在的小團體大小，而集聚系數則更多的反映了整體網絡的集聚程度。

圖3描述了政務微博社交網絡的節(jié)點集聚系數分布情況。從圖中可以看出，集聚系數呈現出群聚分布的現象，即在某一區(qū)間段，大多數節(jié)點擁有相似的集聚系數。這表明政務微博網絡中的節(jié)點較容易形成若干個子網絡群。在子網絡群中，節(jié)點表現出較高的集聚效應。同時，我們也發(fā)現，擁有較大集聚系數的節(jié)點越少，即當集聚系數小于05時，節(jié)點數量的分布較密；而當集聚系數大于05時，節(jié)點數量的分布則變得相對稀疏。當然，也有相當一部分節(jié)點擁有很高的集聚系數，這些節(jié)點主要是一些處于政務微博小網絡群體內的政務微博。他們通常擁有較小的圈子，并專注于圈子內的交流，很少存在跨圈子的朋友。

表2給出了十大政務微博的集聚系數。從表2可以看出，十大政務微博的集聚系數均很小，其中集聚系數最大的為“公安部打四黑除四害”微博，其集聚系數也只有023。3個綜合類政務微博“上海發(fā)布”、“成都發(fā)布”和“南京發(fā)布”的集聚系數很小，僅為002、003和002。這一現象不難解釋：由于十大政務微博均處于較廣泛且較大的網絡中心，但分別以其中每個節(jié)點為核心的子網絡群中的其它節(jié)點間的并非存在完全聯系，正因為如此，盡管十大政務微博的k核值很大，但是其集聚系數則相對很小。這意味著網絡越大，整個網絡的聚合能力將越小。

圖4更為直觀地說明了網絡大小與網絡集聚系數的關系。由圖中可以看到，隨著網絡的不斷增大，集聚系數呈現出顯著減小的趨勢。這與Ugander J等（2010）中對Facebook分析的結論類似。Facebook的數據顯示，一個擁有100個朋友的節(jié)點，其集聚系數約為014；而政務微博的結果顯示，一個擁有100個關注朋友的節(jié)點，其集聚系數將大于02。這說明相對于Facebook，政務微博群體具有更高的集聚能力。同時，我們也可以看到在網絡大小超過400時，節(jié)點的集聚系數穩(wěn)定在01左右，這意味著網絡的持續(xù)增大無法為整體網絡提供更好的集聚作用，這在Ugander J等（2010）的文章中也得到了呼應。他們指出，在朋友數超過5 000的網絡中，其集聚系數將顯著下降并接近于0。

25 鄰居效應

我們通過構建網絡大小相關系數描述鄰居效應。網絡大小相關系數描述了一個節(jié)點的網絡大小與其鄰居節(jié)點網絡平均大小的關系。圖5描述了政務微博社會網絡中個體與其鄰居節(jié)點的網絡大小關系。從圖中可以看出，當一個節(jié)點的網絡很小時（小于50），其鄰居節(jié)點的網絡大小通常很大，這說明對于處于小網絡中的核心節(jié)點，其鄰居對其的影響是巨大的，這些節(jié)點在整體網絡中處于被動的地位；當一個節(jié)點的網絡很大時（大于400），其鄰居節(jié)點的網絡大小通常很小，這意味著對于處于大網絡中的核心節(jié)點，其鄰居對其的影響是有限的，這些節(jié)點在整體網絡中處于主動的地位；當節(jié)點的網絡大小處于中間狀態(tài)時（大于50小于400），則其自身的網絡大小與鄰居節(jié)點的平均網絡大小呈現出正相關關系。但是，相對于Facebook中網絡大小相關系數中表現出來的顯著正相關，政務微博中的網絡大小相關系數并不明顯。也就是說，當一個節(jié)點處于一個大小適中的網絡中時，其網絡對其鄰居的網絡的擴張具有一定的促進作用，但促進作用并非顯著。這說明政務微博網絡中個體間的影響力有待進一步提高。

表3顯示十大政務微博在整體網絡中處于主導地位，鄰居節(jié)點構成的網絡一般都遠小于十大微博本身。惟一例外的是“公安部打四黑除四害”微博，其鄰居節(jié)點的平均網絡大小為17184，超過了其自身構成的網絡大小152。這說明“公安部打四黑除四害”的運營規(guī)則與其它政務微博的運營方式有很大不同，其經營發(fā)展更多的是來自于與其建立聯系的鄰居微博的貢獻。

3 結論和建議

本文以十大政務微博為軸心的整體網絡為研究對象，并對該整體網絡的縱向結構進行剖析，引入距離、k-核、集聚系數兩類社會網絡分析輿情指標體系，從六度分隔效應、凝聚效應、集聚效應和鄰居效應四個方面進行剖析。研究表明，政務微博網絡具有典型的小世界網絡特性，且網絡中各個體之間關系緊密，具有一定的凝聚效應，輿情信息傳播較快，大型政務微博如“上海發(fā)布”、“南京發(fā)布”等在網絡中扮演核心樞紐的角色，控制著輿情信息的傳遞和共享。結合研究形成的指標數據和分析結論，本文對政務微博的監(jiān)管和未來的健康發(fā)展提出以下幾點政策性意見：

31 重視政務微博的“小世界”特性，重點關注核心樞紐節(jié)點 從本文的實證分析可以看出，政務微博網絡由一個個內部聯系緊密的子網絡組成，這些網絡內部聯系頻繁，信息傳播迅速，具有較強的凝聚力。但這些子網絡與其他子網絡進行聯系，需要依靠占據樞紐核心地位的政務微博，如“上海發(fā)布”、“南京發(fā)布”等，政務微博整體網絡結構為以這些樞紐微博為核心的輻射狀網絡體系。核心微博的特點是其網絡規(guī)模較大，且內部由多個子網絡組成，而該核心微博控制著通過這些子網絡的關鍵節(jié)點，形成了一種發(fā)散式的星狀分布結構。因此，找到這些核心微博是政務微博輿情監(jiān)管的關鍵。根據這樣的網絡結構特點，我們看到核心微博在整個網絡中扮演著領導者和聚集者的角色，在輿情發(fā)生之時，我們應及時從核心微博入手，短時間內控制輿情的走勢。輿情的響應應該從事發(fā)時刻甚至是事發(fā)前（輿情的監(jiān)測預警）即要開始，及時地在輿情擴大前掌握話語權和輿論導向，是輿情監(jiān)管的重要環(huán)節(jié)。核心微博的及時介入，將向公眾釋放政府高效、親民、政務公開的信號，對改善政府與普通民眾間的關系，樹立政府在危機攻關、政務公開等方面在群眾中的信心意義重大。

32 針對不同門類的集群特點進行運營管理，同時注意控制微博的規(guī)模 從本文的實證分析我們看出：公安類的政務微博從橫向和縱向兩個角度都存在著凝聚子群，在橫向上，如躋身十大政務微博的“平安北京”、“平安中原”，縱向上，有“余明警官”等基層公安類微博，這樣的凝聚效應已經形成了穩(wěn)定的派系；綜合性政務微博如上海、南京等也產生了自上而下的微博集群，且其表現出了多元化、縱深化的發(fā)展趨勢；一些專業(yè)化程度較高的政務微博，諸如“外交小靈通”則傾向于形成一個比較自我的局域網絡，具有較為縝密的小圈子，與其他網絡的聯系性不大，但自身內部信息傳遞較為迅速。因此，在監(jiān)管方面，根據不同門類的集群特點需制定不同的策略。針對公安類的派系要分別抓住橫向和縱向的核心節(jié)點，便可控制整個網絡的信息流向；對綜合性的政務微博要找到最上層的領導微博，同時尋找各層次上典型領域的領導微博；對于像“外交小靈通”這類較為個體化的微博，因為與其他微博的信息交換能力差，在監(jiān)管方面可以重點關注某些個體微博。endprint

在微博的規(guī)模與傳遞效果關系方面，我們發(fā)現，像“上海發(fā)布”、“南京發(fā)布”這類綜合性超大政務微博因其規(guī)模太大，無法像公安類微博一樣具有較好的聚集能力。這意味著，網絡的規(guī)模與聚焦能力超出一定范圍將呈現反比的狀況，因此，無限制的擴張對超大型政務微博的監(jiān)管不利，當發(fā)展到一定規(guī)模時，因由粗獷型發(fā)展向集約型轉變，發(fā)展有利于信息控制的節(jié)點，摒棄重復無效率節(jié)點，對政務微博網絡進行精簡，形成一個具有很強層次結構的輻射網絡。

33 有效利用鄰居節(jié)點的影響，采取不同的運營策略 通過對鄰居效應的實證分析，我們發(fā)現十大微博中大部分因其規(guī)模較大，內部包含子網絡較多，且各個子網絡之間聯系并不大，因此鄰居效應較差，而“公安部大四黑除四害”因其橫向和縱向已形成一定得派系，各個子網絡之間屬于一個系統(tǒng)，因此鄰居效應比較好。從規(guī)模來看，規(guī)模較小的網絡中的核心節(jié)點受鄰居的影響較大，規(guī)模較大的網絡受鄰居網絡的影響小。因此，在監(jiān)管時，要根據網絡的規(guī)模，對中小規(guī)模的網絡，在信息傳播、控制、引導時要擴散到其相關的鄰居網絡，以提高監(jiān)管的效果。而對達到一定規(guī)模的微博，應采取關注核心節(jié)點的監(jiān)管策略。

參考文獻

[1]程學旗，沈華偉.社會信息網絡中的社區(qū)分析[J].中國計算機學會通訊，2012，7（12）：12-20.

[2]王連喜，蔣盛益，龐觀松.微博用戶關系挖掘研究綜述[J].情報雜志，2012，（12）：18.

[3]Kwak H，Lee C，Park H，et al.What is Twitter，a social network or a news media？[C].ACM，2010：591-600.

[4]Mislove A，Marcon M，Gummadi KP，et al.Measurement and analysis of online social networks[C].ACM，2007：29-42.

[5]張韋全，陳京民.基于社會網絡挖掘的微博參政群體實證研究[J].計算機與現代化，2012，（5）：21.

[6]姜鑫，田志偉.微博社區(qū)內信息傳播的“小世界”現象及實證研究——以騰訊微博為例[J].情報科學，2012，（8）：6.

[7]袁園，孫霄凌，朱慶華.微博用戶關注興趣的社會網絡分析[J].現代圖書情報技術，2012，（2）：68-75.

[8]宋恩梅，左慧慧.新浪微博中的“權威”與“人氣”：以社會網絡分析為方法[J].圖書情報知識，2012，（3）：43-54.

[9]Unsworth K，Townes A.Social media and E-government：A case study assessing Twitter use in the implementation of the open government directive[J].Proceedings of the American Society for Information Science and Technology，2012，49（1）：1-3.

[10]Wilson C，Boe B，Sala A，et al.User interactions in social networks and their implications[C].ACM，2009：205-218.

[11]Ahh Y-Y，Han S，Kwak H，et al.Analysis of topological characteristics of huge online social networking services[C].ACM，2007：835-844.

[12]Wang Y，Di Z，Fan Y.Identifying and characterizing nodes important to community structure using the spectrum of the graph[J].PloS one，2011，6（11）：e27418.

[13]田占偉，隋.基于復雜網絡理論的微博信息傳播實證分析[J].圖書情報工作，2012，56（8）：42-46.

[14]袁毅.微博客信息傳播結構，路徑及其影響因素分析[J].圖書情報工作，2011，55（12）：26-30.

[15]平亮，宗利永.基于社會網絡中心性分析的微博信息傳播研究——以Sina微博為例[J].圖書情報知識，2010，（6）：92-97.

[16]Ugander J，Karrer B，Backstrom L，et al.The anatomy of the facebook social graph[J].arViv preprint arXiv：11114503，2010.

[17]Kleinberg JM.Navigation in a small world[J].Nature，2000，406（6798）：845-845.

[18]Seidman SB.Network structure and minimum degree[J].Social networks，1983，5（3）：269-287.

（本文責任編輯：郭沫含）endprint