魯艷霞　吳迪　黃川林

摘 要：近年來突發(fā)公共事件頻出，隨著互聯(lián)網的普及和大數據等信息技術的迅猛發(fā)展，Twitter、博客、微博等使得公眾在突發(fā)公共事件發(fā)生后表達個體情緒更加便捷。本文以“天津港爆炸事件”為研究對象，首先利用爬蟲工具收集微博內容，然后通過ROST CM內容挖掘軟件進行中文詞頻分析，最后通過SPSS對微博情感進行分析統(tǒng)計。研究發(fā)現，公眾情緒容易受到集群效應的影響，網民群體情緒的不穩(wěn)定性會導致其行動的不確定性，政府或意見領袖的積極引導將會促進突發(fā)事件的良性發(fā)展。

關鍵詞：大數據；突發(fā)公共事件；情緒；輿情引導

中圖分類號：TP312.63 文獻標識碼：A

1 引言（Introduction）

隨著移動互聯(lián)網技術的不斷發(fā)展與成熟，再加上無線網絡的覆蓋明顯提升，給人們生活帶來了便捷。與此同時，我國網絡新聞用戶規(guī)模為5.64億，較去年增長8.8%，表明越來越多的公眾對各類新聞事件給予更多的關注。據互聯(lián)網發(fā)展狀況統(tǒng)計報告顯示，社交領域的微博使用率達到33.5%，越來越多的網民喜歡通過微博刷“存在感”。網絡的普及性、移動性、草根性與匿名性等使得越來越多的民眾喜歡通過網絡表達對突發(fā)公共事件的觀點和看法。微博用戶對突發(fā)公共事件的關注相應會產生大量的、非結構化的微博內容，微博內容中涵蓋了民眾的情緒與情感，及時挖掘這些特征將有利于政府相關部門對輿情的監(jiān)控以及謠言的控制，從而有效提高政府的公信力和應急管理能力。本文以“天津港爆炸事件”為研究對象，進行大數據環(huán)境下突發(fā)公共事件的微博用戶情緒研究，以期使政府相關部門了解公眾在事件發(fā)生過程中的情感傳播狀況，為避免公眾情感的集聚和極化，提供有針對性的信息，從而為政府引導策略的制定提供一定的理論和實踐指引。

2 理論基礎與研究現狀（Theoretical basis and research review）

大數據環(huán)境下的微博用戶之間存在著大量的信息交互，往往在對突發(fā)公共事件的反應中，自覺不自覺地就反映出群際情緒。群際情緒理論[1]由美國心理學家Mackie提出，認為群際情緒是個體認同某一社會群體時的情緒體驗，當個人認同某一群體時，對相關事物的評價將會帶有情緒色彩。

同時，突發(fā)公共事件具有突發(fā)性、持續(xù)性、不確定性等特征，由于事件相關信息在短時間內并不一定能夠清晰顯現，因此部分微博內容存在著一定的片面性，不明真相或認知能力較差的網民極易受到情緒感染以至于產生不良的負面影響。情緒感染理論由McDougall提出，Hatfield[2]給出了較為全面的定義，認為個人情緒感染到其他個體時，情緒會反過來影響他人，從而強化個人原本的情緒狀態(tài)，最終導致某種情緒在群體間同質化。

因此，及時、有效地對微博用戶產生的微博內容進行分析，將會有效提升政府對突發(fā)公共事件的輿情監(jiān)控?；诖?，越來越多的學者近年來對突發(fā)公共事件的情緒與情感傳播進行了相關研究。

劉志明等[3，4]提出突發(fā)事件引發(fā)的群體情緒會引起次生群體事件的發(fā)生，研究了突發(fā)事件發(fā)生、發(fā)展過程中群體情緒尤其是負面情緒的演化規(guī)律并建立了相應的模型，對次生突發(fā)事件起到了較好的預警效果，但是文章并未針對大數據環(huán)境對微博情緒進行分析；李從東等[5]從系統(tǒng)學和耗散結構理論角度對社會情緒進行了分析，結合系統(tǒng)動力學和元胞自動機模型模擬社會情緒，并且對社會情緒的穩(wěn)定性進行了建模，從而對社會情緒的評估與預測提供了一定的理論和模型基礎；趙衛(wèi)東等[6]從信息傳播與群體行為角度研究了網民的情緒傳播機制并構建了情緒傳播模型，對于網民群體情緒演化規(guī)律進行了仿真分析，但是文獻[5]和[6]并未從實際應用角度分析政府對微博情緒尤其是負面情緒的引導作用。

3 基于ROST CM的微博用戶內容情緒分析（An analysis of micro-blog users' emotions based on ROST CM）

微博用戶群體涵蓋不同年齡、性別、教育背景等基本特征，具有一定的廣泛性，因此微博用戶內容也反應了對同一突發(fā)公共事件卻可能會有不同的情緒與情感。羊群效應[7]在網絡輿情傳播過程中是一個普遍存在的現象，使得個人觀念或行為在特定的群體影響下與多數人相一致，如果不對網民群體內部的羊群效應加以引導，不僅會影響網絡輿情的傳播過程，還會影響輿情的最終演化方向，甚至可能對社會穩(wěn)定造成威脅。

為了更好的分析突發(fā)公共事件發(fā)生后的微博用戶情緒變化規(guī)律，本研究選取發(fā)生于新浪微博的“天津港爆炸事件”，分析單位是事件發(fā)生期間微博內容。該事件經國務院調查組認定是一起特別重大生產安全責任事故，屬突發(fā)公共事件中的社會安全事件。該事件背景如下：

2015年8月12日23：30左右，位于天津濱海新區(qū)塘沽開發(fā)區(qū)的天津東疆保稅港區(qū)瑞海國際物流有限公司危險品倉庫發(fā)生爆炸。截至2015年9月11日，共發(fā)現遇難者總人數165人，8人失聯(lián)，其中公安消防人員24人、民警11人、天津港消防人員75人、其他人員55人。鷹眼與情網顯示該事件最先由微博曝光，8月12日晚微博用戶陸續(xù)發(fā)布爆炸相關信息或圖片引發(fā)網民關注，此后經由微博中明星媒體發(fā)表評論或者轉發(fā)相關微博，隨后相關事件的信息量呈爆炸式增長。

本文使用武漢大學沈陽教授研發(fā)編碼的ROST CM文本挖掘軟件對微博數據進行預處理以及后續(xù)分析，該軟件可以實現對收集到的微博內容進行分詞、詞頻統(tǒng)計、情感分析等操作。論文首先收集研究所需要的微博大數據，在對微博用戶內容大數據進行預處理的基礎上，將其導入ROST情感分析工具，從而對微博內容情感傾向性進行判斷。該軟件將微博內容的情感分為三類：積極、中立和消極，其中積極情緒和消極情緒還可以進一步的細分，其定義的情感值區(qū)間分別為一般積極（0，10]、中度積極（10，20]、高度積極（20，+∞），一般消極[-10，0）、中度消極[-20，-10）和高度消極（-∞，-20）。在情感傾向性判斷的基礎上，可以對不同類別的情感走勢進行模擬和預測。

4 實證研究（Empirical research）

4.1 數據獲取

本文選取新浪微博發(fā)表的博文為數據資源，以“天津爆炸”和“天津塘沽大爆炸”為關鍵詞，利用GooSeeker數據采集工具抓取了2015年8月12日至2015年12月25日共135天的微博內容。GooSeeker是一款專業(yè)的網絡爬蟲軟件，有垂直搜索、信息匯聚、個人信息檢索等主要功能。根據研究需要，本文主要抓取了“用戶名”“微博內容”“發(fā)布時間”“發(fā)布設備”“轉發(fā)數”“評論數”“贊數”相關數據，部分數據如表1所示。

4.2 數據預處理

由于同一個人發(fā)表的相同的博文信息屬于重復數據，會對情感分析結果的有效性產生影響，所以本文利用Excel工具，對微博內容進行去重處理，從而得到本實驗的研究數據，涵蓋微博內容共計38934條。

利用ROST CM挖掘軟件對微博采集信息進行中文分詞，接著利用ROST WordParser軟件對分詞后的數據進行中文詞頻分析，統(tǒng)計得出了網民反復討論出現的熱詞，結果如表2所示。

由表2可看出，在這種網民大規(guī)模參與的集群行為中，熱詞被多次反復提及和討論。網民大多表達了對天津爆炸事件的震驚、對救災人員的尊敬與祝福以及對相關單位的譴責。不同的時間階段有不同的網民參與某類話題，從而形成從不同側面刻畫該事件的集群行為，討論的過程中容易形成多個熱點話題，而參與討論某個話題的人越多，說明該話題的熱度越大，微博輿論也就此形成。

4.3 數據分析

將38934條微博內容作為樣本，可將“天津爆炸”事件粗略劃分為“爆發(fā)期”“衰退期”“消亡期”三個階段，如圖1所示。

圖1可看出，天津爆炸事件在8月12日發(fā)生后，微博相關評論迅速升溫，在8月13日達到極值，之后關注量持續(xù)減少，最后形成長尾效應。

進一步統(tǒng)計可得到網民情感的整體分析結果，如表3所示。

由表3可知，在抓取到的博文數據中，消極情緒占了最大比例（57.56%），說明對于天津爆炸事件網民的整體情緒趨向于消極。

為了能更好地看出人們的情感走勢，本文對每天的情感值求平均值，得到了從2015年8月12日至2015年12月26日的每天不同類別情感值以及整體情感值的平均值，利用SPSS軟件得出所有博文內容的情感值、積極與消極情緒情感值隨時間序列走勢如圖2—圖4所示。

為了進一步驗證該組數據的可靠性，導入SPSS 22.0中進行分析，結果表明：數據分布范圍為[-127，124]，在理論值范圍之內；均值為-3.58，中位數為-2.00，方差為317.286，說明數據的離散程度較高；偏斜度<0，峰度>0，根據統(tǒng)計學中的判斷標準，偏斜度=0，峰度=0時，分布呈正態(tài)，偏斜度>

0時，分布呈正偏態(tài)，偏斜度<0時，分布呈負偏態(tài)，峰度>0時，曲線比較陡峭，峰度<0時，曲線比較平坦，說明本數據分布為負偏態(tài)（朝右偏），較陡峭。而當偏態(tài)在樣本例數夠大時可看作近似正態(tài)分布，因此本數據也可看作近似正態(tài)分布，符合自然界中正常的數據分布形態(tài)，表明本數據具有較高的可靠性。

5 結論（Conclusion）

通過對不同情感的趨勢模擬，可回溯到相應的博文內容，從而發(fā)現引起情感波動的因素。

8月13日，網友@妖妖小精在13日上午創(chuàng)作了一幅漫畫名為“世界上最帥的逆行”，感動無數網友；8月16日，李克強代表黨中央與國務院，趕赴天津“8·12”爆炸事故現場，看望慰問救援官兵、消防隊員和傷員及受災群眾，部署下一步救援救治、善后處置和安全生產工作；9月4日，天津港爆炸核心區(qū)積水廢土已被外運；10月14日，天津濱海新區(qū)爆炸最小遇難者海葬；9月16日，檢察機關公布了對事故中12名領導干部的刑事拘留措施和有關部門的責任認定初步結論，明確了相關部門的失職瀆職行為。

通過以上過程分析可知，當政府出臺新的有利于災區(qū)救援工作的政策，媒體報道了關于網友為消防人員而作的畫，或者政府領導親自到災區(qū)探望受災群眾時，網民的情感走勢出現波峰，說明政府工作良好有序地開展對輿情有積極的影響。當檢察機關公布事故的責任認定，其他地區(qū)類似爆炸案的發(fā)生、當一些特殊的紀念日到來或者特殊事件發(fā)生時，網民情感走勢會出現波谷，說明媒體的報道對輿情的影響至關重要。

同時，我們發(fā)現網民群體由于其情緒的高度不穩(wěn)定性必然導致其行動方向的極度不確定性，獨立思考能力和意志力薄弱的網民更容易受到集群效應的影響。雖然整個微博討論過程中積極和消極情緒交替上漲，但安全事故類突發(fā)事件中消極情緒始終占據主流。

因此，為了避免集群行為在極端情緒的感染下走向“極化”，政府部門應尊重網絡民意，及時把握網絡輿論關注的社會問題；正面處理網絡輿情事件，把握網絡集群演變趨勢；同時，應該加強對微博網絡的監(jiān)督，完善對造謠者、滋事者言論的監(jiān)測和清理機制，充分利用微博平臺建立政務信息平臺。

參考文獻（References）

[1] 劉峰，佐斌.群際情緒理論及其研究[J].心理科學進展，2010，18（6）：940-947.

[2] Hatfield，Cacioppo，Rapson.Emotional Contagion[J].Current Directions in Psychological Science，1993（2）：96-99.

[3] 劉志明，劉魯.面向突發(fā)事件的群體情緒監(jiān)控預警[J].系統(tǒng)工程，2010，28（07）：66-73.

[4] 劉志明，劉魯.面向突發(fā)事件的民眾負面情緒生命周期模型[J].管理工程學報，2013，27（01）：15-21.

[5] 李從東，洪宇翔.面向突發(fā)事件的社會情緒穩(wěn)定性建模方法研究[J].情報雜志，2014，33（01）：146-151.

[6] 趙衛(wèi)東，趙旭東.突發(fā)事件的網絡情緒傳播機制及仿真研究[J].系統(tǒng)工程理論與實踐，2015，35（10）：2573-2581.

[7] 陳福集，黃江玲.基于演化博弈的網絡輿情傳播的羊群效應研究[J].情報雜志，2013（10）：1-5.

作者簡介：

魯艷霞（1977-），女，碩士，教授.研究領域：信息系統(tǒng).

吳 迪（1975-），男，碩士，副教授.研究領域：ERP，數據分析.

黃川林（1979-），女，碩士，副教授.研究領域：SAP開發(fā)技術.