面向微博謠言關注度的大數據時序特性分析

吳越　肖容

摘 要：近年來，微博謠言因其傳播速度快、擴散范圍廣、影響后果嚴重引起了公眾廣泛關注。網民對于微博謠言關注度程度隨時間變化，關注側重點漂移客觀反映了微博謠言治理效果。因此，研究微博謠言關注度具有重要價值。以新浪微指數平臺為大數據分析源，通過時序特性分析方法深度挖掘近5年網民對微博謠言關注度的時序特征。研究發現，微博謠言關注度時序是一個無明顯趨勢和周期的時間序列。5年中序列最大峰值出現時間與兩高院出臺懲治網絡謠言相關《解釋》的時間吻合; ARMA（1，2）模型可較好地擬合微博謠言關注度序列;手機端謠言關注度數量約為電腦端謠言關注度數量的2.8倍，前者是后者的格蘭杰原因，且前者對后者的影響力為持續一周逐漸減小的正面沖擊效應;網民關注的微博謠言熱門信息主要集中于謠言懲罰的相關政策、重大突發事件中的媒體辟謠、明星向造謠者追究法律責任以及安全問題相關的辟謠榜4個方面。研究結果有助于掌握微博謠言關注度時序規律，從而為有效制定微博謠言抑制策略提供可靠依據。

關鍵詞：微博;謠言關注度;時序特性

DOI：10. 11907/rjdk. 191653????????????????????????????????????????????????????????????????? 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP391 ? 文獻標識碼：A??????????????? 文章編號：1672-7800（2020）003-0194-06

Analysis of Big Data Time-series Properties Characteristics

for Microblog Rumor Confrontation

WU Yue，XIAO Rong

（College of Computer and Software Engineering， Xihua University， Chengdu 610039， China）

Abstract：Studying the relevant theories， techniques， and methods of microblog rumors confrontation is of great practical significance for maintaining social stability， national unity， and building a clear network environment. At present， the research in the field of rumors confrontation mainly focuses on the construction of microblog rumors suppression model and the simulation calculation of confrontation rules， however， the in-depth research on the true data of microblog rumors confrontation is very scarce. In this regard， the Sina micro-indicator platform is used as the source of big data analysis， and the time series feature analysis method is used to deeply mine the temporal characteristics of microblog rumors countermeasure data in the past five years. The study found that the time series of microblog rumors confrontation is a stable time series， with no obvious trends and cycles. The maximum peak of the sequence in 5 years coincides with the launch of the Explanation related to the two superior prosecutors. The ARMA（1，2） model can well fit the microblog rumors confrontation sequence. The number of rumors confrontation on mobile phones is about 2.8 times that on computers. The former is the Granger cause of the latter， and the influence of the former on the latter is a positive impact effect that gradually decreases for a week. The microblog rumors confrontation that netizens focus on includes four aspects， such as policies related to rumors confrontation， official denial in major emergencies， cognizance of legal responsibilities of celebrities to rumor mongers， and rumor lists related to security issues. The research results will help us to grasp the rules of microblog rumors confrontation series， and thus provide a reliable basis for developing the microblog rumors suppression strategies effectively.

Key Words： Microblog; rumors confrontation; time-series properties

0 引言

在新媒體平臺誕生之前，謠言的經典定義是 “與當時事件相關聯的命題，是為了使人相信，一般以口傳媒介的方式在人們之間流傳，但是卻缺乏具體的資料以證實其確切性的命題”[1]。從該定義可以看出，以前謠言主要依靠口頭傳播。在新媒體平臺興起之后，謠言的傳播形式發生了明顯變化，從簡單的口傳轉變為依托新媒介傳播的復雜形式。謠言傳播形式的轉變導致傳播速度急速提升、傳播范圍顯著擴大。面對網絡謠言傳播新形式，如果不能盡早制定有效抑制謠言關注度的方案，很容易引發難以控制的失穩局面。因此，新媒體平臺網絡謠言對抗問題成為網絡信息時代維穩工作亟需解決的關鍵性問題。

目前，有關網絡謠言關注度方案很多，主要集中于法規制定與關注度策略仿真模擬。我國法規制定方已形成一套相對完整的網絡謠言對抗體系，涉及憲法、刑法、民法、行政法及司法解釋。其中，《憲法》第五十一條規定公民在行使自身自由和權力時，不得損害國家、社會、集體利益和其他公民的合法自由和權利。這在根本上明確了言論自由的邊界是不能損害其他主體的合法自由和權利，為下位法中網絡謠言的規章制定奠定了基礎[2];2013年出臺的《最高人民法院、最高人民檢察院關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》第五條第二款規定，對“編造虛假信息，或者明知是編造的虛假信息，在信息網絡上散布，或者組織、指使他人在信息網絡上散布，起哄鬧事，造成公共秩序嚴重混亂的”，將依法“以尋釁滋事罪定罪處罰”[3];2015年11月1日起施行的《刑法修正案（九）》在第二百九十一條之后新增了“編造、傳播虛假信息罪”[4]。除此之外，涉及網絡謠言關注度的法律法規還包括《民法總則》、《網絡安全法》、《計算機信息網絡國際聯網安全保護管理辦法》、《電信條例》、《互聯網文化管理暫行規定》等。從中可以看出，我國關于網絡謠言對抗的“法網”正在不斷完善。

在網絡謠言對抗策略仿真模擬方面，研究重點主要集中于對抗策略發布時間、對應網絡結構、實施對象屬性特征及自身信任度4個研究熱點：①基于信息的發布時間。Wang[5]發現盡早發布辟謠信息，謠言傳播控制得越好，萬貽平[6]的仿真實驗也得出相同結論;② 基于網絡的拓撲結構。Jiang[7]研究發現，網絡結構特性決定了應該使用哪一種謠言對抗策略。王長春[8]構建了基于復雜網絡的謠言傳播模型，其仿真結果表明，群體是否傾向于相信謠言，不僅與網絡平均度有關，而且與網絡其它參數如網絡平局路徑長度、聚類系數有關。Mehta[9]利用網絡拓撲結構設計了一種利用鄰居結點中心性關注度謠言傳播的方法，該方法可以通過分布式計算網絡局部信息，確定面向全局網絡的謠言免疫釋放點，從而提升謠言抑制策略實施效率;③基于對抗策略實施對象的屬性特征。顧亦然[10]提出一個有效的網絡謠言對抗策略——重要熟人免疫策略，其仿真結果表明，重要熟人免疫策略在不需要知道網絡全局結構和縮減計算量的同時，可達到目標免疫的謠言抑制結果。王筱莉[11]研究了遺忘率隨時間變化的謠言傳播模型，發現遺忘率對謠言傳播的最終規模有重要影響，初始遺忘率越大或遺忘速度越大，謠言最終傳播規律越小。萬貽平[6]分析了目標免疫和熟人免疫等傳統謠言對抗策略的不足，提出主動免疫和被動免疫兩種網絡策略，其實驗結果顯示，在主動免疫中，清除者遺忘率越低，謠言影響越小，而在被動免疫中，傳播者遺忘率則對謠言傳播產生分段影響。Jiang[7]提出了一個具有免疫結構的SIR模型用于研究謠言關注度方法，其研究結果顯示，針對可疑個體實施謠言免疫策略，可以有效控制謠言傳播。Zhao[12]在設計謠言傳播模型時考慮了謠言拒絕率關注度機制，其仿真結果表明，增加無知者對謠言的拒絕率的做法比增加傳播者對謠言拒絕率有更好效果，可有效降低謠言傳播密度;④基于信任度。Zhao[12]通過一系列仿真實驗評估個體-個體的謠言傳播控制，以及媒體-個體的謠言傳播控制，結果表明，政府發布信息的數量對于謠言傳播具有巨大影響。政府公信力與民眾認知能力非常重要，當少數人被懲罰時，謠言抑制效果非常顯著。Xu[13]在SEIR謠言傳播模型中引入了信任機制，仿真結果顯示，信任機制能夠有效地降低謠言影響力和傳播范圍。Xia[14]在謠言傳播模型SIAR的構建過程中考慮了權威信息信任度問題，仿真結果表明，權威信息發布越快，謠言負面影響越小。Wang[15]構建了一個新的SIR模型，比較全面地研究了謠言對抗策略的效果，其研究發現，謠言對抗策略的效果與實施對象、辟謠內容和弛豫時間均有關聯。對無知者實施謠言免疫策略可有效抑制謠言傳播，謠言傳播的弛豫時間越短、辟謠信息可信度越高，謠言抑制效果則越好。

盡管目前已出臺許多網絡謠言對抗的法律法規，也不斷涌現出大量網絡謠言對抗策略的模型構建和仿真計算研究，然而，對抗效果如何，真實網絡環境中網民對謠言關注度是否有所改變，網民關注點集中在哪些方面等一系列反饋信息的相關研究非常匱乏。其主要原因有兩點：一是由于不同新媒體平臺上的網絡謠言關注度存在極大差異，難以尋找到一個合適的切入點進行深入研究;二是面向海量的網絡謠言關注度大數據，如何做到實時有效的大數據獲取，以及長期的大數據統計分析是一大難題。

針對第一個如何在不同新媒體平臺上尋找切入點的問題，近3年已有相關報道作出了解答。2015年6月24日，中國社科院新聞與傳播研究所在北京發布的《新媒體藍皮書》調查顯示，近六成假新聞首發于微博[16]，說明微博平臺首發謠言數量占比最大。2017年12月21日，《人民日報》報道，檢索2017年“辟謠”相關的謠言關注度數據，發現相關微博399 293條，微信234 750篇，APP推送81 871篇，論壇文章66 884篇，博客19 967篇，報刊文章10 982篇[17]。這些數據進一步說明微博謠言關注度目前已經成為新媒體平臺謠言關注度的主戰場。 基于微博在謠言關注度中的重要性，本研究選取微博謠言關注度大數據分析作為問題切入點。針對大數據獲取問題，通常解決辦法是調用微博提供的API接口或編寫爬蟲代碼采集微博數據。然而，面向實時更新的微博大數據，這兩種方法均存在采集數據不及時、不完整的問題。目前有一種更好的解決辦法，即利用“微指數”[18]工具獲取微博大數據。“微指數”是由中國最大的微博平臺“新浪”提供的數據分析工具，該工具能夠提取指定時間內關鍵詞在微博的熱議度，避免了研究者自行采集微博數據時遇到的問題。

基于以上兩點，本文以微博謠言關注度大數據為研究對象，利用新浪“微指數”工具獲取5年微博謠言關注度時間序列。進一步通過時序特性分析方法研究微博謠言關注度時間序列的總體統計特征、時序擬合模型、手機端與電腦端的微博謠言關注度關聯，以及網民關注的微博謠言焦點內容。

1 微博謠言關注度時序總體特性分析

以“謠言”為關鍵詞，利用新浪“微指數”工具獲取2013年3月1日至2018年2月28日5年的謠言關注度大數據，在此基礎上，利用EViews工具[19]進行時序特性分析。

1.1 以天為時間粒度的微博謠言關注度時序

以天為時間單位，統計近5年的微博謠言關注度時間序列，如圖1所示。從圖1中可以看出，微博謠言關注度數量每天均有變化，但近5年數量超過10萬/天的并不多，主要出現于2013年。

進一步分析其時序直方圖和統計量（見圖2），從直方圖可以看出，微博謠言關注度低于2萬條/天的占比約2/3。從統計量可以看出，近5年，平均每天的微博謠言關注度超過2萬條，最多的一天超過了50萬條，最少的一天僅2 198條，微博謠言關注度數量日均差異較大。

1.2 以月為時間粒度的微博謠言關注度時序

為了從時序中發現統計規律，進一步地以月為時間單位，統計近五年的微博謠言關注度時間序列，如圖3所示（彩圖掃描OSID碼可見）。圖3中的藍色曲線表示真實微博數據，紅色曲線則為EViews軟件自動生成的時序趨勢曲線。從圖3可以看出，近5年的微博謠言關注度數量總體上呈現先快速上升再快速回落至一個平穩的狀態，時序于2013年第3季度達到峰值。分析其原因，主要是由于2013年9月兩高院公布了《最高人民法院、最高人民檢察院關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》，明確了網絡謠言在什么情況下構成犯罪。從中可以看出該司法解釋對網民行為產生了極大影響。

圖4展示了以月為時間單位的微博謠言關注度時序直方圖和統計量。從直方圖可以看出，微博謠言關注度大部分均小于50萬/月。從統計量可以看出，近5年，平均每月微博謠言關注度超過6萬條/月，最多一個月超過了300萬條/月，最少一個月也超過24萬條/月，數量巨大。

進一步對以月為時間單位的微博謠言關注度時序進行時序平穩性檢測，結果如表1所示。從表1的ADF檢驗結果可以看出，單位根統計量ADF=-18.156 28，小于顯著性水平1%的ADF臨界值，所以拒絕原假設。因此，以月為時間單位的微博謠言關注度時間序列是平穩的。

2 微博謠言關注度時序擬合模型

為實現根據微博謠言關注度時序歷史數據，預測其發展趨勢，對時序數據進行擬合。通過不同模型的結果對比，最終選擇ARMA（1，2）模型。表2顯示了ARMA（1，2）模型的估計結果，其模型方程為：

ARMA（1，2）模型擬合如圖5所示，可以看出ARMA（1，2）模型能較好地擬合微博謠言關注度時序。

對ARMA（1，2）模型殘差序列進行白噪聲檢驗，結果如表3所示。從表3中可以看出ACF和PACF都沒有顯著異于零，Q統計量的P值遠大于0.05，因此可以認為殘差序列為白噪聲序列，模型信息提取比較充分。雖然可對同一個平穩序列建立多個適合模型，但比較AIC和SC的值，以及綜合考慮其它檢驗統計量，考慮模型的簡約原則，認為ARMA（1，2）模型是較優選擇。

3 手機端與電腦端微博謠言關注度關聯

從客戶端操作平臺的角度可將微博謠言關注度分為兩種類型，基于手機端的謠言關注度和基于電腦端的謠言關注度。由于“微指數”工具只能獲取近4年的手機端和電腦端數據，以下關于手機端和電腦端的分析均以2014-2018年的數據作為數據源。

3.1 手機端和電腦端謠言關注度微博數量比較

從圖6可以看出，手機端較電腦端微博謠言關注度數量明顯更多。通過計算發現，前者總量約為后者的2.8倍。說明目前網絡謠言關注媒介主要依托于手機端。為了深入研究兩者之間的關系，繪制了如圖7所示的散點圖。從散點圖中可以看出，雖然存在一些離群值偏離大多數點，但從總體上看，手機上的謠言關注度與電腦端的謠言關注度總體呈現正相關關系。

3.2 手機端和電腦端微博謠言關注度時序的格蘭杰因果關系檢驗

為檢驗手機端和電腦端微博謠言關注度之間的先后順序，分析是否一個變量的前期信息影響了另一個變量的當期信息，進行格蘭杰因果關系檢驗，如表4所示。可以看出，電腦端微博謠言關注度數量不是手機端微博謠言關注度數量的格蘭杰原因，相伴概率是0.235 4，說明在5%的顯著性水平上原假設成立;而手機端微博謠言關注度數量不是電腦端微博謠言關注度數量的格蘭杰原因，相伴概率是3.E-07，說明在5%的顯著性水平上原假設不成立，即手機端微博謠言關注度是電腦端微博謠言關注度的格蘭杰原因。

3.3 脈沖響應

進一步通過手機端微博謠言關注度時序與電腦端微博謠言關注度時序的脈沖響應結果，分析兩者之間的相互影響關系，如圖8所示。由圖8（a）可以看出，手機端微博謠言關注度對來自自身的一個標準差新息脈沖響應在第1天達到最大值，之后逐步衰減，在第7天響應趨近為零。而手機端微博謠言關注度對來自電腦端微博謠言關注度數量的一個標準差新息脈沖響應幾乎為零，這意味著電腦端微博謠言關注度對手機端微博謠言關注度影響非常小，可以忽略不計。結合格蘭杰因果關系，分析其主要原因是因為通常情況下，手機端謠言關注較電腦端出現更早。因此，電腦端對手機端微博謠言關注度影響小。而從圖8（b）可以看出，手機端微博謠言關注度對來自電腦端微博謠言關注度數的一個標準差新息脈沖響應卻很大，手機端對電腦端的影響力為持續減小的正面沖擊效應，影響力持續一周時間。

4 熱門微博謠言焦點內容

從近5年的微博謠言關注信息中，選取最熱門的10條數據進行分析，如表5所示。從表5中可以看出，引起網民高度關注的微博謠言關注度信息包括：地震、爆炸等重大突發事件引發的謠言與辟謠信息、傳謠者受到法律制裁的信息、明星受到謠言中傷追究傳謠者法律責任的信息以及安全問題相關的辟謠榜信息。

5 結語

本文借助新浪“微指數”工具，獲取近5年微博謠言關注度數據，并通過時序特性分析方法挖掘其統計特征。統計分析結果表明：①以月為時間粒度，以微博關注度數量為可觀測變量的微博謠言關注度時序是一個沒有明顯變化趨勢和周期的平穩序列。近5年時序峰值出現的時間正好是《最高人民法院、最高人民檢察院關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》的出臺時間，說明該文件對于謠言關注度產生了巨大影響;②由于時序為平穩非白噪聲序列，采用Box-Jenkins方法建模，得到ARMA（1，2）模型，較好地擬合了微博謠言關注度時序;③手機端的微博謠言關注度總量約為電腦端的2.8倍。此外，手機端微博謠言關注度數量是電腦端微博謠言關注度數量的格蘭杰原因，手機端對電腦端的影響力為持續減小的正面沖擊效應，影響力持續一周。說明手機端較電腦端的微博謠言關注度影響力更大且更提前;④網民關注的微博謠言關注度熱門信息主要集中于4個方面：謠言關注度的相關政策、重大突發事件中的媒體辟謠、明星向造謠者追究法律責任及安全問題相關的辟謠榜。

微博是目前網絡謠言的主戰場，同時網絡謠言關注度平臺還有很多內容亟待挖掘，針對不同平臺的網絡謠言關注度時序特性分析與比較是下一步研究的主要內容。

參考文獻：

[1]卡普費雷. 謠言[M]. 鄭若麟、邊芹，譯. 上海：上海人民出版社，1991.

[2]梁思雨. 《網絡安全法》視域下的網域謠言治理[J]. 信息安全研究，2017，3：1091.

[3]最高人民法院.? 《關于辦理利用信息網絡實施誹謗等刑事案件適用法律若干問題的解釋》的理解與適用[EB/OL]. http：//www.court.gov.cn/shenpan-xiangqing-5913.html.

[4]楊柳. 細化犯罪規定 維護網絡安全——《中華人民共和國刑法修正案（九）》中對網絡犯罪規定的細化[J]. 中國信息安全，2015，（9）：109. DOI：10.3969/j.issn.1674-7844.2015.09.035.

[5]WANG Y Q，YANG X Y，WANG J. 基于復雜網絡理論的微博用戶關系網絡演化模型研究[J]. 物理學報，2014，（20）：1-7.

[6]萬貽平，張東戈，任清輝. 考慮謠言清除過程的網絡謠言傳播與抑制[J]. 物理學報，2015，64（24）：73-83.

[7]JIANG P，YAN X B. Stability analysis and control models for rumor spreading in online social networks[J]. International Journal of Modern Physics C，2017，28（5）.

[8]王長春，陳超. 基于復雜網絡的謠言傳播模型[J]. 系統工程理論與實踐，2012， 32（1）： 203-210.

[9]MEHTA A，MUKHOTY B，GUPTA R. The Heider balance and social distance[J]. Acta Physica Polonica B. 2016 ，47：6-7.

[10]顧亦然，夏玲玲. 在線社交網絡中謠言的傳播與抑制[J]. 物理學報，2012，61（23）：544-550.

[11]王筱莉，趙來軍，謝婉林. 無標度網絡中遺忘率變化的謠言傳播模型研究[J]. 系統工程理論與實踐， 2015， 35（2）： 458-465.

[12]ZHAO X X，WANG J Z. Dynamical behaviors of rumor spreading model with control measures[J]. Abstract and Applied Analysis， 2014.

[13]XU H J，CAI W D，CHEN G R. Forums-oriented research on the spreading and inhibition of rumors[J].? International Journal of Foundations of Computer Science，2016，27（7）：845-862.

[14]XIA L L， JIANG G P， SONG Y R， et al. Modeling and analyzing the interaction between network rumors and authoritative information[J].? Entropy， 2015，17（1）：471-482.

[15]WANG J，WANG Y Q， LI M. Rumor spreading model with immunization strategy and delay time on homogeneous networks[J]. Communications in Theoretical Physics， 2017，68（12）：803-810.

[16]中國經濟網. 2015《新媒體藍皮書》發布：近六成假新聞首發于微博[EB/OL]. http：//politics.people.com.cn/n/2015/0624/c70731- 27201305.html.

[17]人民日報中央廚房.? 智觀天下：2017年十大網絡謠言，你中招了嗎[EB/OL]. https：//www.hubpd.com/c/2017-12-21/662759.shtml .

[18]新浪微博. 微波熱門話題[EB/OL]. http：//data.weibo.com/index.html.

[19]陳昭，劉巍，歐陽秋珍. 計量經濟學軟件EViews 9.0 簡明操作教程[M]. 北京：中國人民大學出版社，2017.

（責任編輯：江 艷）

收稿日期：2019-05-05

基金項目：國家自然科學基金項目（61602389）

作者簡介：吳越（1987-），女，博士，西華大學計算機與軟件工程學院副教授，研究方向為社交網絡動力學分析、自然語言處理;肖容（1998-），女，西華大學計算機與軟件工程學院學生，研究方向為大數據處理。本文通訊作者：吳越。