信息傳播平臺對網絡輿情熱度的影響分析

林萍　解一涵　魏靜

〔摘要〕[目的/意義]新信息技術推動媒體應用平臺快速發展，網民通過主流媒體與自媒體積極參與話題討論，客觀分析信息傳播平臺對網絡輿情事件發展的影響力，有利于建立良性的信息生態循環圈。[方法/過程]本文以官方公布的十年網絡輿情熱點事件為數據分析對象，使用灰色關聯法分析歷年各信息傳播平臺與網絡輿情熱度的關聯關系，從時間、事件等維度挖掘信息傳播平臺對網絡輿情熱度的影響特征。[結論/建議]各信息傳播平臺對網絡輿情熱度的影響力與傳播技術發展水平是同步的，對網絡輿情熱度的影響呈現勢均力敵之勢，媒體融合、資訊融合是發展必然趨勢。

〔關鍵詞〕信息傳播平臺；灰色關聯；熱度；網絡輿情；媒體

DOI：10.3969/j.issn.1008-0821.2018.05.014

〔中圖分類號〕G206〔文獻標識碼〕A〔文章編號〕1008-0821（2018）05-0094-06

〔Abstract〕[Purpose/Significance]With the rapid development of information technology，netizens express and communicate opinions through the mainstream medias and the we medias.In order to set up virtuous information ecology circle，it is important to analyze the influence that medias exert on the dissemination of network public opinions.[Method/Process]Based on grey correlation theory，this paper selected the hot issues which evaluated by authority organization to analyze the relationship between the medias influence and the hot degree of network public opinions.[Result / Conclusion]The results showed that the medias influence on the hot degree of network public opinions kept pace with technology development.And different type of medias had the similar influence on the dissemination of network public opinions.It is a trend for the media companies to integrate different type of medias to disseminate news and public opinions.

〔Key words〕network public opinion；grey correlation degree；hot degree；network public opinion；media

截至2017年6月，中國網民規模達到751億，手機網民規模達到724億[1]，互聯網滲透網民日常生活程度日益加深，網絡已經成為網民獲取信息、表達觀點的重要渠道，任何一個話題都有可能因為利益相關性、群體特殊性等吸引網民廣泛參與。

傳統傳播方式是主流媒體依托其強有力的資源優勢形成信息權威性，通過報紙、電視、廣播等傳統渠道盡可能多地覆蓋了各類人群。新的信息技術使得新聞徹底突破原有單一、線性的傳播形態，海量的“自媒體人”通過移動智能終端，隨時隨地將發現的新聞信息進行發布，完全顛覆了傳統媒體采集和傳播信息的壟斷地位[2]。一方面網民通過微信或微博獲取信息后，在無法確認信息真偽的情況下，通過官方微博、微信公眾號、網站新聞等媒體平臺的搜索、發帖、轉發等行為進一步求證信息；另一方面，傳統媒體對“自媒體人”的信息有存疑，從獲取的線索中再追蹤深入剖析報道，傳統主流媒體有時成了新聞的“跟隨者”。因此，準確把握各信息傳播平臺對網絡輿情熱度的影響力，對于建立包括政府、媒體、企業、個人各主體在內的良性信息生態循環圈有重要的意義。

本文以人民輿情網2007-2016年發布的《中國互聯網輿情分析報告》中歷年20件熱點輿情事件傳播渠道分布數據為對象，使用灰色關聯法分析歷年各信息傳播平臺與網絡輿情熱度的關聯關系，從時間、事件等維度挖掘信息傳播平臺對網絡輿情熱度的影響特征，有助于政府監管部門提高輿論引導效率、媒體完善資訊平臺融合、涉事企業高效回應消費者訴求。

1研究現狀

我國網絡輿情熱度研究始于2010年，研究熱點主要集中在熱度評價指標及影響因素、熱度趨勢預測、熱點話題發現等方面，企業和研究機構也從定性和定量相結合的角度建立輿情熱度指標。

11網絡輿情熱度理論研究現狀

建立指標體系，通過層次分析法或者是定性的專家打分和定量的歷史數據規范化處理相結合對各指標賦權，是網絡輿情熱度研究的主流。2010年，張一文等[3-4]最先提出包括事件爆發力即事件影響力及事后處理效果，媒體影響力即報道數量及內容質量，網民作用力和政府疏導力即公信力、響應力和信息溝通能力在內的指標體系，并結合BP神經網絡和專家問卷的方式，通過層次分析法建立指標權重。此后，學者[5-14]主要圍繞事件、媒體、網民、政府四個維度建立細化指標略有差異的網絡輿情熱度指標體系，圍繞搜索量、報道數量、評論數量、瀏覽量、回復量、轉帖量等因子賦權，使用AHP（層次分析法）、螢火蟲聚類算法、Gompertz模型、馬爾科夫鏈等方法進行話題熱度的評價和趨勢預測。

系統動力學也是網絡輿情熱度的重要理論支撐。狄國強等[15]分析事件作用、網民作用、媒體作用和政府作用等對網絡輿情熱度的影響。袁國平等[16]認為網絡輿情系統變量包括網絡輿情熱度、事件影響力、事件破壞力、網民對事件的關注度、事件調控水平、網絡媒體關注度、傳統媒體關注度、政府關注度、官方響應力度、論壇總貼數，各變量的數值主要通過專家打分的方式設定權重。

隨著話題研究升溫，部分學者從話題熱度的角度考慮網絡輿情熱度評價。諶志群等[17]等提出話題熱度由帖子篇幅權重和帖子熱度決定，帖子篇幅權重由關鍵詞簇的占比衡量，帖子熱度由不同權重的跟帖量和瀏覽量綜合計算。王林等[18]認為熱度由話題簇各參與討論人次數目累加獲得。裴可鋒等[19]綜合考慮微博評論數、轉帖數、基于LDA模型的話題內容熱度等因素計算話題熱度。聶恩倫等[20]和王衛嬌等[21]均認為話題熱度趨勢與以往相似話題熱度特征近似。王鵬程等[22]將情感傾向信息融入話題熱度的計算中。楊長春等[23]根據突發事件的交互關系，對突發事件的熱度進行預測。蘭月新等[24]基于灰色關聯度方法和多維度logistic模型對各個媒體平臺輿情信息開展預測。

12網絡輿情熱度實際應用現狀

網絡輿情熱度應用最廣泛的是搜索引擎指數，比如谷歌通過在一定區域內和一定時間段中針對某關鍵詞實際搜索數與所有關鍵詞平均搜索量之間的比例關系確定[25]。國內目前認可度較高的網絡輿情熱度指數中新浪微輿情與清華大學共同發布網絡傳播熱度[26]R=Y1×b1+Y2×b2+Y3×b3+Y4×b4，其中Yi=21+a-x-1×100，該指數根據不同平臺上的內容分布情況進行因子分析，確定各類型來源數據的合成系數。清博指數[27]之一微信傳播指數主要通過整體、篇均、頭條、峰值4個傳播力計算，其基礎數據來源有閱讀數和點贊數，權重是歷史數據模型優化后人工分析獲得。人民網輿情熱度主要是通過專家打分對各個信息平臺進行權重設置，比如2014年[28]設置新聞和微博的權重均為05，2015年[29]則對報刊、網絡新聞、論壇、博客、微博、微信設置不同權重。

13研究現狀分析

網絡輿情熱度是指當事件發生后，網絡媒體和網民對事件的報道、討論以及政府或者網絡監管部門提供的引導機制在網絡上所形成的事件輿情高漲程度[3]。理論研究圍繞網絡輿情熱度影響因素主要即文本內容和文本數量建立模型。文本數量側重考慮網絡媒體和網民的發文數量，但在權重測算方面主要采用層次分析法的方式。從網絡輿情熱度的實際應用角度分析，權重的計算較多使用人工的方式。不論是理論研究還是實際應用，對于媒體信息傳播能力的評價一直沿用層次分析法的專家打分思想，在大數據背景下，其權重缺乏充分的客觀數據支持。

2研究思路

灰色關聯分析是通過對“部分”已知信息的挖掘，度量兩個系統或兩個因素之間關聯性大小，以尋求系統各因素對目標值影響度的大小，從而掌握系統的主要特征[30]。本文以灰色關聯度分析人民輿情網2007-2016年發布的《中國互聯網輿情分析報告》中歷年20件熱點輿情事件各信息傳播平臺分布數據，挖掘同年份各信息傳播平臺熱度與網絡輿情總體熱度的關聯度，通過信息傳播平臺歷年的影響力變化分析媒體的發展趨勢，通過單一事件各信息傳播平臺熱度與網絡輿情總體熱度的關聯關系分析媒體融合的必要性。

21數據獲取

從人民網的輿情頻道獲取2007-2016年的《中國互聯網輿情分析報告》[28-29，31-38]。歷年報告根據網民關注話題較為集中的信息傳播平臺，通過瀏覽量、發帖量、轉帖量等數據統計網絡輿情熱點事件。2007年根據網民比較關注的3個BBS論壇統計發帖量，2008年選擇4個全國性時事類論壇和人文知識分子較為集中的牛博網統計原貼數量，2009年選擇五大網絡社區統計熱點事件原貼數量，2010年統計五大網絡社區和新浪微博的原貼和跟帖數量，2011年數據來源于三大社區的原貼數量和兩個微博的原貼和轉帖數量，2012年和2013年統計三大社區主帖數、兩大微博以及人人網和開心網的主貼和轉帖總和，2014年通過新聞檢索量和微博（包括新浪和騰訊微博）檢索量綜合確定，2016年根據報刊、新聞、論壇、博客、微博、微信、App七類媒介形態的關鍵詞檢索量統計。由于2015年只給出熱度值并沒有20個熱點事件在各信息傳播平臺的熱度統計，所以不做分析。

22數據分析

根據灰色關聯度的求解過程，對數據進行處理和分析。

221建立數據矩陣，確定參考數列

歷年統計的傳播信息平臺類型各不相同，所以各年分別建立數據矩陣，見公式（1）。其中xi（j）表示事件i在信息傳播平臺j的貼子統計數量/檢索量，1≤i≤n，1≤j≤m-1，每年的網絡輿情熱點事件數量是n，參與統計的平臺數量即相關因素數量是m-1，xi（m）是參考數列，即各網絡輿情熱點事件的信息傳播平臺發帖量總和。

222指標數據無量綱化

無量綱化處理方法主要有極值化、標準化、均值化以及標準差化方法。一方面，由于各信息傳播平臺的數量統計口徑不同，有些統計的是原貼量，有些統計的是原貼和轉帖量，不同信息傳播平臺之間不能進行直接比較；另一方面，不同信息傳播平臺對同一事件的文本信息量差距較大，新聞雖然原貼數量較少，但由于是政府部門或專業媒體撰寫，其包含的信息量較大，而微博雖然原貼數量和轉帖數量遠遠超過新聞數量，但由于字數較少，絕大多數是網民個人的口語化表達，包括各種表情符號的使用，因此其信息量較少。基于以上原因，為了更準確地反映各信息傳播平臺對網絡輿情熱度的影響，本文選擇各信息傳播平臺中熱度最高輿情事件的數值作為基準數值，將其他事件的數值與之比對進行無量綱化，對于參考數列無量綱化也采用同樣的思路，并建立無量綱化矩陣，見公式（2）、（3）。

223計算關聯系數和關聯度

計算每個事件的各信息傳播平臺熱度與參考數列即事件總體熱度之間的絕對值差，根據公式（4）、

首先，數據清晰顯示各信息傳播平臺對網絡輿情熱度的影響力與傳播技術發展水平是同步的，每一個新出現的信息傳播平臺都會迅速聚集網民廣泛參與話題討論。基于2010年統計，新浪論壇和新浪微博的影響力很高。從2010-2014年，不論是新浪還是騰訊，微博由于其開放性、便捷性，使得廣大網民能夠快速、廣泛參與各類話題的討論，部分輿情熱點事件甚至由微博首先發起，持續積聚網民話題討論參與熱度使得微博助推網絡輿情事件迅速升溫。隨著移動互聯網在應用方面的不斷突破，2016年統計數據中，微信和APP借力排名網絡輿情熱度影響力的前三。

第二，從信息傳播平臺角度看，網民對于社會事務的關注度并沒有明顯的身份特征差異。強國論壇是人民網設立的國內最早中文論壇，凱迪社區知識分子比較集中、關注時政文化等嚴肅問題，天涯社區關注話題非常廣泛，網民在職業、年齡等方面分布較為廣泛，但從2007年開始連續七年統計三大論壇對網絡輿情熱度的影響力差距不大。

第三，在媒體融合的背景下，各信息傳播平臺對網絡輿情熱度的影響呈現勢均力敵之勢。比如人民日報集團，有傳統紙質媒體“人民日報”通過郵局全國發行銷售；有專業新聞網站“人民網”，提供人民日報電子版，以及更多的權威解讀專業板塊；在新浪微博有“人民日報”和“人民網”官方微博，在Facebook上也有幾百萬粉絲；在微信平臺有“人民日報微信”、“人民日報時評”、“人民網”等諸多公眾號；APP也有“人民日報”客戶端。傳統媒體充分借助信息新技術，通過資訊平臺融合的方式，全方位引導網民參與話題討論。

第四，從信息傳播平臺對單個事件網絡輿情熱度關聯度和影響力分析看，單一信息傳播平臺對事件熱度的影響力是很有限的（表3）。例如2009年的上海交通管理部門“釣魚執法”事件，新浪論壇討論數量排名第一，但由于在其他信息傳播平臺的熱度與其他事件差距較大，新浪論壇與事件熱度的關聯度只有03775；2010年袁騰飛言論惹爭議事件，在強國論壇和中華網論壇的熱度都是排名第一，由于在其他信息傳播平臺的熱度較低，兩個論壇對與事件熱度的關聯度均只有05；2012年莫言獲諾貝爾文學獎事件，在知識分子聚集的凱迪社區引起熱烈的討論，其熱度遠遠超過其他所有事件，同樣由于信息平臺傳播的不均衡，凱迪社區與事件熱度的關聯度只有03333。各類事件要充分利用主流媒體和自媒體的影響力，正面事件充分利用各信息傳播平臺吸引網民廣泛參與、提升社會正能量；負面事件也要考慮綜合運用各信息傳播平臺盡快回應廣大網民的訴求，引導輿論方向。

4結論

各種新的信息傳播平臺不斷出現，新平臺的影響力逐年增加，而各媒體資訊平臺融合的趨勢也導致各信息傳播平臺的影響力處于動態發展。面對海量的多元數據，傳統的人工賦權方式不能客觀反映各信息傳播平臺對網絡輿情熱度的影響力。本文基于歷史數據，綜合輿情事件的各傳播信息平臺根據文本數量體現的熱度與事件總體熱度進行比對分析。首先，使用灰色關聯模型對數據進行分析，克服專家打分存在主觀偏差的弱點，保證統計的客觀性、計算效率高；第二，為防止微博文本絕對數量大但信息量少、而新聞文本絕對數量少但信息量大，用絕對數量占比方式難以全面體現其熱度的缺點，各信息傳播平臺分別使用本平臺的最熱數據作為基數進行無量綱化處理；第三，選取官方發布的最具有代表性的網絡輿情熱點事件，通過關聯度歸一化處理，獲得各信息傳播平臺的影響力，可以作為其他網絡輿情事件熱度評價的權重參考；第四，從綜合不同事件的橫向分析和基于時間縱向發展兩個維度分析信息傳播平臺對網絡輿情熱度的影響變化，較全面展示了媒體在輿論引導和資訊融合方面的發展現狀和趨勢。

然而，本文也存在一些值得改進和深入的地方。微博一般會通過@或#等鏈接方式轉發新聞，因此，報刊、新聞對于微博的信息傳播具有一定影響力。網絡輿情熱度由內容和數量兩個維度共同決定，報刊、新聞包含的信息較為全面、主題集中；單條微博包含的信息量少，評論的信息量更少，同一篇新聞可能會在微博或論壇被稀疏、衍生成多個主題。因此，需要結合內容的信息量對各信息傳播平臺的熱度進行修正。

參考文獻

[1]中國互聯網絡信息中心.第40次中國互聯網絡發展統計報告[R].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201708/t20170803_69444.htm，2017-08-03.

[2]范以錦.傳播影響力遷徙后的主流媒體應對[J].新聞與寫作，2015，（1）：58-60.

[3]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，2010，29（11）：71-75，117.

[4]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體系研究[J].情報科學，2011，29（9）：1418-1424.

[5]王雅蕾，方付建.輿情熱點事件的熱源研究——基于人民網“輿情排行榜”的分析[J].北京理工大學學報：社會科學版，2011，13（4）：108-113.

[6]王青，成穎，巢乃鵬.網絡輿情監測及預警指標體系構建研究[J].圖書情報工作.2011，55（8）：54-57，111.

[7]馮江平，張月，趙舒貞，等.網絡輿情評價指標體系的構建與應用[J].云南師范大學學報：哲學社會科學版，2014，46（2）：75-84.

[8]曹學艷，張仙，劉樑，等.基于應對等級的突發事件網絡輿情熱度分析[J].中國管理科學，2014，22（3）：82-89.

[9]王雅琳，陸向艷，鐘誠.基于鏈接和螢火蟲算法聚類博文發現熱點話題[J].計算機工程與設計，2015，36（6）：1620-1625.

[10]孫飛顯，程世輝，靳曉婷，等.政府負面網絡輿情熱度定量評價方法——以新浪微博為例[J].情報雜志，2015，34（8）：137-141.

[11]蘭月新，王芳，董希琳，等.公共危機事件網絡輿情熱度模型研究[J].情報科學，2016，34（2）：32-36.

[12]林文聲，姚一源，王志剛.食品安全事件網絡輿情熱度評價研究：基于BP神經網絡的方法[J].現代管理科學，2016，（9）：30-32.

[13]劉勘，李晶，劉萍.基于馬爾可夫鏈的輿情熱度趨勢分析[J].計算機工程與應用，2011，47（36）：170-173.

[14]屈啟興，齊佳音.基于微博的企業網絡輿情熱度趨勢分析[J].情報雜志，2014，33（6）：133-137.

[15]狄國強，曾華藝，勒中堅，等.網絡輿情事件的系統動力學模型與仿真[J].情報雜志，2012，31（8）：12-20.

[16]袁國平，許曉兵.基于系統動力學的關于突發事件后網絡輿情熱度研究[J].情報科學，2015，33（10）：52-56.

[17]諶志群，徐寧，王榮波.基于主題演化圖的網絡論壇熱點跟蹤[J].情報科學，2013，（31）3：147-150.

[18]王林，時勘，趙楊，等.基于突發事件的微博集群行為輿情感知實驗[J].情報雜志，2013，32（5）：32-37，48.

[19]裴可鋒，陳永洲，馬靜.基于DTPM模型的話題熱度預測方法[J].情報雜志，2016，35（12）：52-57.

[20]聶恩倫，陳黎，王亞強，等.基于K近鄰的新話題熱度預測算法[J].計算機科學，2012，（S1）：257-260.

[21]王衛姣，陳黎，王亞強，等.LDA和KNN相結合的帖子熱度預測算法[J].四川大學學報：自然科學版，2014，51（3）：467-473.

[22]王鵬程，肖正，劉輝.融合觀點傾向的話題熱度趨勢建模研究[J].計算機工程，2015，41（7）：66-70.

[23]楊長春，袁敏.基于交互關系的突發事件熱度預測研究[J].現代情報，2017，37（3）：40-45.

[24]蘭月新，劉冰月，張鵬，等.面向大數據的網絡輿情熱度動態預測模型研究[J].情報雜志，2017，36（6）：105-110，147.

[25]Zhi Da，Joseph Engelbergz，Pengjie Gao et al.In Search of Earnings Predictability[C].China International Conference in Finance，2011：1-32.

[26]新浪微輿情與清華大學共同發布網絡傳播熱度指數算法[EB/OL].http：//news.163.com/16/1220/12/C8NT2UTV000 18AOP.html，2016-12-20.

[27]清博指數[EB/OL].http：//www.gsdata.cn/site/usage#WCI，2017-07-01.

[28]人民網.2014年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[29]人民網.2015年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[30]劉思峰，楊英杰，吳利豐.灰色系統理論及其應用[M].第7版.北京：科學出版社，2014.

[31]人民網.2007年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[32]人民網.2008年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[33]人民網.2009年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[34]人民網.2010年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[35]人民網.2011年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[36]人民網.2012年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[37]人民網.2013年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

[38]人民網.2016年中國互聯網輿情分析報告[EB/OL].http：//yuqing.people.com.cn/.

（實習編輯：陳媛）