王益君 張瑜

西安建筑科技大學(xué) 西安 710055

引言

近年來，我國(guó)公共政策時(shí)有出現(xiàn)朝令夕改、半途廢止等“政策流變”現(xiàn)象。這對(duì)政策的穩(wěn)定性、權(quán)威性和效力性產(chǎn)生了一定的負(fù)面影響。公共政策的頻繁變換，會(huì)造成廣大群眾對(duì)政策的不信任，損害黨和政府的威信[1]，同時(shí)政策流變?nèi)菀滓l(fā)網(wǎng)民熱議，形成“輿情”，網(wǎng)民負(fù)面情緒的集中表達(dá)很可能衍生輿情風(fēng)險(xiǎn)，影響社會(huì)穩(wěn)定。2022年2月25日，中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第49次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2021年12月我國(guó)網(wǎng)民規(guī)模達(dá)10.32億，互聯(lián)網(wǎng)普及率達(dá)73.0%，我國(guó)網(wǎng)民使用手機(jī)上網(wǎng)的比例達(dá)99.7%?，F(xiàn)代傳媒為政策流變衍生的輿情及其傳播提供了跨時(shí)空的渠道和平臺(tái)[2]，“兩微一端一抖”（微信、微博、今日頭條等新聞客戶端、抖音）所產(chǎn)生的信息交互性使網(wǎng)民負(fù)面情緒傳播更為復(fù)雜。黨的十八大以來，習(xí)近平總書記反復(fù)強(qiáng)調(diào)：“大國(guó)政貴有恒，不能朝令夕改，不要折騰”[3]。因此，研究政策流變事件中的網(wǎng)民負(fù)面情緒傳播、及時(shí)控制此類公共政策流變輿論走向是十分有必要的。

在現(xiàn)代傳媒所衍生的渠道和平臺(tái)中，微博以其即時(shí)性、互動(dòng)性、多元性等特征成為熱點(diǎn)事件網(wǎng)民情緒抒發(fā)的重要場(chǎng)地。據(jù)2022年3月3日微博發(fā)布的2021年第四季度及全年財(cái)報(bào)數(shù)據(jù)顯示，2021年12月微博月活躍用戶達(dá)到5.73億，日活躍用戶達(dá)到2.49億。政策流變事件借助微博的關(guān)注度和影響力，易產(chǎn)生群體化的負(fù)面情緒傳播。例如2016年3月1日下午沈陽市政府發(fā)布“樓市新政”，明確對(duì)畢業(yè)未超過5年的高校、中等職業(yè)學(xué)校畢業(yè)生在沈陽購(gòu)買商品房的，給予住房公積金政策支持，首付比例實(shí)行“零首付”政策，政策頒布之后，就引起大量輿論，當(dāng)日晚上22時(shí)“沈陽發(fā)布”發(fā)文指出“零首付”政策還處于前期調(diào)研論證階段，暫不具備出臺(tái)條件。實(shí)施時(shí)間不到半天就發(fā)生了“政策流變”，造成了負(fù)面的輿情影響。“沈陽大學(xué)生零首付買房新政緊急叫停事件”的流程如圖1所示。除此之外，近年來，我國(guó)各地政府也不斷出現(xiàn)政策實(shí)施不久便被叫停的例子，例如：2022年3月29日，上海安次區(qū)防控辦下發(fā)了《關(guān)于迅速開展陽性患者戶內(nèi)豢養(yǎng)動(dòng)物撲殺工作的緊急通知》，此項(xiàng)政策尚未實(shí)施便在3月30日緊急停止，在微博平臺(tái)中引發(fā)了網(wǎng)民一萬多次的評(píng)論與轉(zhuǎn)發(fā)；2022年5月20日，“南京二手房取消限購(gòu)”政策僅僅實(shí)施兩小時(shí)就暫停，恢復(fù)到之前的政策執(zhí)行，該政策取消后在微博平臺(tái)引發(fā)了網(wǎng)民上千次的評(píng)論與轉(zhuǎn)發(fā)，這兩個(gè)案例在政策流變后都引發(fā)了大量的輿情討論。

圖1 “沈陽大學(xué)生零首付買房新政緊急叫停事件”流程圖

目前，并未有學(xué)者對(duì)政策流變事件中的網(wǎng)民負(fù)面情緒傳播進(jìn)行實(shí)證研究，并且學(xué)者們關(guān)于“沈陽大學(xué)生零首付買房新政緊急叫停事件”的研究都是從定性角度分析該政策發(fā)生流變的原因或結(jié)果[4,5]，并未有學(xué)者從其所衍生的網(wǎng)民負(fù)面情緒傳播角度進(jìn)行定量分析。基于此，本文重點(diǎn)研究“沈陽大學(xué)生零首付買房新政緊急叫停事件”中的網(wǎng)民負(fù)面情緒的傳播，通過轉(zhuǎn)移熵法構(gòu)建政策流變事件中的網(wǎng)民負(fù)面情緒傳播矩陣，并運(yùn)用社會(huì)網(wǎng)絡(luò)分析方法基于真實(shí)數(shù)據(jù)繪制政策流變事件中網(wǎng)民負(fù)面情緒傳播的有向網(wǎng)絡(luò)結(jié)構(gòu)圖，彌補(bǔ)現(xiàn)有負(fù)面情緒傳播研究中仿真方法的局限性，為國(guó)內(nèi)研究網(wǎng)民負(fù)面情緒傳播的計(jì)算提供新思路，同時(shí)提升政府相關(guān)部門對(duì)政策流變事件中網(wǎng)絡(luò)輿情的治理能力。

1 相關(guān)研究概述

1.1 政策流變的相關(guān)研究

關(guān)于政策流變的相關(guān)概念，國(guó)外很少有專門研究政策流變現(xiàn)象的文章，我國(guó)部分學(xué)者對(duì)政策流變的相關(guān)概念進(jìn)行了闡釋。陳茂先[6]認(rèn)為政策流變是指因出臺(tái)程序違反規(guī)定、內(nèi)容違法違規(guī)、執(zhí)行偏離目標(biāo)、措施無法實(shí)施等被終止、廢止或事實(shí)上已不再執(zhí)行的公共政策。楊芳等[7]認(rèn)為政策流變是一種公共政策在短時(shí)間內(nèi)變動(dòng)的現(xiàn)象，會(huì)造成政策在運(yùn)行中未實(shí)現(xiàn)預(yù)期目標(biāo)或產(chǎn)生較大的負(fù)面社會(huì)影響。李嘉樹[8]認(rèn)為政策流變是政策的內(nèi)涵在較短時(shí)間內(nèi)發(fā)生了重大的轉(zhuǎn)變的政策。王志遠(yuǎn)等[9]也對(duì)政策流變的概念進(jìn)行了界定，認(rèn)為政策流變反映著其所在領(lǐng)域社會(huì)結(jié)構(gòu)和組織形態(tài)的變遷，是社會(huì)多重因素在某一領(lǐng)域綜合作用的結(jié)果。

在對(duì)政策流變概念進(jìn)行界定的基礎(chǔ)上，學(xué)者們進(jìn)一步對(duì)政策流變的影響因素和治理對(duì)策進(jìn)行了深入研究。楊芳等[7]指出政策主體和目標(biāo)群體的價(jià)值取向、政策運(yùn)行機(jī)制和政策所處的環(huán)境等因素會(huì)對(duì)政策流變產(chǎn)生影響。丁秋玲等[10]認(rèn)為公眾認(rèn)同度低、政策運(yùn)行過程中利益博弈失衡、政策環(huán)境復(fù)雜多變等是政策發(fā)生流變的原因。范逢春[11]指出政策流變這種現(xiàn)象形成的原因主要為個(gè)別政策制定時(shí)片面強(qiáng)調(diào)“集中”、出臺(tái)時(shí)一心只顧“政績(jī)”以及設(shè)計(jì)時(shí)明顯偏重“私利”。關(guān)于政策短期流變現(xiàn)象治理對(duì)策的分析，丁秋玲等[10]指出有效克服政策流變現(xiàn)象，應(yīng)注意改變“替民做主”的政策慣性，政策過程須同基層民眾的生活方式相結(jié)合。余構(gòu)雄等[12]指出政策文本中應(yīng)有具體的行動(dòng)計(jì)劃，從重大行動(dòng)安排、行動(dòng)時(shí)間節(jié)點(diǎn)、行動(dòng)監(jiān)控等方面形成專項(xiàng)行動(dòng)計(jì)劃，制定可行性高、針對(duì)性強(qiáng)的政策。Shinkle等[13]將企業(yè)行為理論擴(kuò)展到政府政策在目標(biāo)維度和目標(biāo)愿望上的變化，就目標(biāo)維度的具體規(guī)定提出建議，并在期望適應(yīng)模型中加入新的因素，以考慮企業(yè)對(duì)政府政策變化的預(yù)期反應(yīng)。這些對(duì)策經(jīng)過學(xué)者們后期不斷地檢驗(yàn)以及修正完善已經(jīng)日趨成熟，在眾多領(lǐng)域中已得到了極為廣泛地運(yùn)用。

現(xiàn)有文獻(xiàn)對(duì)政策流變的研究主要聚焦于宏觀層，從國(guó)家制度安排與政策設(shè)計(jì)的角度來探討政策流變的概念、影響因素及治理對(duì)策。關(guān)于政策流變事件中網(wǎng)民負(fù)面情緒傳播的研究很少。政策流變發(fā)生后借助互聯(lián)網(wǎng)的作用，易引起網(wǎng)民關(guān)注和討論，在輿情持續(xù)聚焦放大作用下不斷升級(jí)。因此，本文著重研究政策流變事件中的網(wǎng)民負(fù)面情緒傳播，以期幫助治理者有的放矢地治理政策流變事件中網(wǎng)民負(fù)面情緒的傳播。

1.2 網(wǎng)民負(fù)面情緒傳播的相關(guān)研究

關(guān)于網(wǎng)民負(fù)面情緒傳播的概念，趙玉橋[14]認(rèn)為網(wǎng)民負(fù)面情緒傳播主要指網(wǎng)民由于受外界不良信息刺激對(duì)某些社會(huì)問題或事件產(chǎn)生了強(qiáng)烈的群體情緒認(rèn)同，并通過網(wǎng)絡(luò)進(jìn)行擴(kuò)散性、無理性的傳播，形成一種非常態(tài)的網(wǎng)絡(luò)輿論和社會(huì)壓力的過程。張曉倩[15]認(rèn)為網(wǎng)民負(fù)面情緒傳播是指網(wǎng)民個(gè)體獲得從他人傳遞來的負(fù)面情緒，并轉(zhuǎn)化為自己負(fù)面情緒的過程。張亞明等[16]指出負(fù)面情緒傳播常被認(rèn)為是承載著目標(biāo)、動(dòng)機(jī)、利益和欲望的個(gè)體現(xiàn)象，負(fù)面情緒傳播不僅存在于個(gè)體間，也同樣存在于較大規(guī)模群體或組織之間。本文研究的網(wǎng)民負(fù)面社會(huì)情緒傳播指當(dāng)某個(gè)事件發(fā)生后，隨著網(wǎng)民對(duì)該事件相關(guān)信息的討論，部分網(wǎng)民會(huì)產(chǎn)生相應(yīng)的負(fù)面情緒，借助網(wǎng)絡(luò)的放大效應(yīng)，網(wǎng)民負(fù)面情緒通過網(wǎng)絡(luò)鏈條擴(kuò)散給其他用戶的過程。

針對(duì)負(fù)面情緒傳播的研究，學(xué)者們主要從負(fù)面情緒傳播的測(cè)度和影響因素兩個(gè)方面進(jìn)行研究。負(fù)面情緒的傳播是多方參與、多因素互動(dòng)的結(jié)果，學(xué)者們?cè)跍y(cè)量負(fù)面情緒傳播時(shí)，主要采用仿真的方法進(jìn)行測(cè)度。李從東等[17]應(yīng)用系統(tǒng)動(dòng)力學(xué)的方法對(duì)群體負(fù)面情緒的行為模式和關(guān)鍵變量進(jìn)行了仿真分析。李從東等[18]基于社會(huì)網(wǎng)絡(luò)理論與元胞自動(dòng)機(jī)建模方法，對(duì)農(nóng)村群體負(fù)面情緒傳播進(jìn)行了仿真。Zhang等[19]基于多主體方法建立了社會(huì)共識(shí)系統(tǒng)脆弱性的非線性涌現(xiàn)模型，仿真分析了負(fù)面情緒傳播的演化機(jī)制。張寶生等[20]通過構(gòu)建情緒傳染的SI模型、SIR模型、SEIR模型和改進(jìn)的SEIR模型，仿真分析了網(wǎng)絡(luò)虛擬社群負(fù)面情緒傳播的規(guī)律和治理效果。除此之外，黨明輝[21]、周莉等[22]、田維鋼等[23]學(xué)者雖然選取不同事件的真實(shí)數(shù)據(jù)對(duì)負(fù)面情緒傳播進(jìn)行分析，但這些方法都沒有對(duì)不同主體間負(fù)面情緒傳播鏈條進(jìn)行量化，不能識(shí)別負(fù)面情緒傳播的因果關(guān)系。

學(xué)者們從不同角度對(duì)影響負(fù)面情緒傳播的因素進(jìn)行了分析。張曉倩[15]通過仿真分析總結(jié)了網(wǎng)民負(fù)面情緒傳播的影響因素主要包括網(wǎng)民的年齡性別、個(gè)體情緒傳播能力、文化差異、情景環(huán)境和政府的調(diào)控能力。張亞明等[16]認(rèn)為群體情緒強(qiáng)度大小和網(wǎng)民負(fù)面情緒傳播呈正相關(guān)的關(guān)系，并且政府輿情引導(dǎo)對(duì)網(wǎng)民負(fù)面情緒傳播有顯著調(diào)控作用。李從東等[17]認(rèn)為意見領(lǐng)袖、干群關(guān)系等因素對(duì)于農(nóng)村群體負(fù)面情緒傳播具有顯著影響。王月等[24]通過對(duì)突發(fā)事件下網(wǎng)民負(fù)面情緒演化進(jìn)行仿真分析，發(fā)現(xiàn)網(wǎng)民負(fù)面情緒傳播主要受負(fù)面情緒自我調(diào)節(jié)能力、信息傳播失衡、涉利程度、媒體說服效應(yīng)和政府工作透明度的影響。

綜上所述，本文的邊際貢獻(xiàn)體現(xiàn)為以下三個(gè)方面：第一，從研究視角來看，已有文獻(xiàn)對(duì)政策流變的相關(guān)研究聚焦于政策流變的概念、影響因素及治理對(duì)策，并未有學(xué)者對(duì)政策流變事件中的負(fù)面情緒傳播進(jìn)行研究，因此本文重點(diǎn)更新政策流變事件中網(wǎng)民負(fù)面情緒傳播模型，豐富政策流變事件中網(wǎng)民負(fù)面情緒傳播的實(shí)證研究。第二，現(xiàn)有文獻(xiàn)在研究負(fù)面情緒傳播的問題上采用仿真分析時(shí)，其數(shù)據(jù)精度易受算法影響，在采用事件真實(shí)數(shù)據(jù)分析時(shí)并未對(duì)負(fù)面情緒傳播鏈條進(jìn)行量化。因此，本文運(yùn)用轉(zhuǎn)移熵法基于真實(shí)數(shù)據(jù)構(gòu)建政策流變事件中的負(fù)面情緒傳播矩陣，并與社會(huì)網(wǎng)絡(luò)分析法相結(jié)合繪制負(fù)面情緒傳播的有向網(wǎng)絡(luò)結(jié)構(gòu)圖，可以提高政策流變事件中負(fù)面情緒傳播鏈條計(jì)算的準(zhǔn)確性、真實(shí)性。第三，目前尚未有文獻(xiàn)運(yùn)用轉(zhuǎn)移熵法研究負(fù)面情緒傳播，本文的研究可以為負(fù)面情緒傳播的研究提供新思路，同時(shí)為政府更加高效地引導(dǎo)輿情、制定輿情應(yīng)急方案提供理論依據(jù)。

2 政策流變事件中網(wǎng)民負(fù)面情緒傳播模型的構(gòu)建

2.1 政策流變事件中網(wǎng)民負(fù)面情緒指標(biāo)的構(gòu)建

情感分析是通過判斷文本的情感傾向并對(duì)其進(jìn)行分析，從而了解公眾對(duì)社會(huì)事件或事物的態(tài)度和看法，并研究信息的傳播路徑特點(diǎn)[25]。本文根據(jù)朱樂等[26]和張?chǎng)蔚萚27]的研究，將情感傾向作為反映負(fù)面情緒的指標(biāo)。首先，選取所要研究的政策流變事件，爬取該事件相關(guān)的輿情文本，采用情感分析法對(duì)輿情文本中表達(dá)的主觀觀點(diǎn)、態(tài)度和情緒進(jìn)行打分，判斷每個(gè)文本所表達(dá)的正負(fù)面的傾向性。本文定義情感傾向?yàn)椤?和0，即積極態(tài)度定義為1，消極態(tài)度定義為-1，中立態(tài)度定義為0。其中，當(dāng)情感傾向?yàn)檎禃r(shí)，不產(chǎn)生負(fù)面情緒；當(dāng)情感傾向?yàn)樨?fù)值時(shí)，情感傾向值越接近-1代表負(fù)面情緒越高。根據(jù)所要研究?jī)?nèi)容設(shè)定時(shí)間間隔，統(tǒng)計(jì)樣本期內(nèi)每個(gè)時(shí)間間隔的情感傾向x1，x2，……，xn，并代入公式（1）中進(jìn)行算術(shù)平均，可以得到該時(shí)間間隔內(nèi)相應(yīng)的時(shí)間序列數(shù)據(jù)，作為反映政策流變事件中網(wǎng)民負(fù)面情緒的指標(biāo)序列數(shù)據(jù)，記為Xit，公式（1）如下所示：

其次，為了提高精度，對(duì)政策流變事件中網(wǎng)民負(fù)面情緒的指標(biāo)序列數(shù)據(jù)xit進(jìn)行歸一化處理，使數(shù)據(jù)映射在[0,1]之間。歸一化后的數(shù)值代表情感傾向值，根據(jù)本文定義，當(dāng)情感傾向值越接近-1時(shí)，負(fù)面情緒越大。所以在歸一化處理后越接近0，表示情緒越負(fù)面，負(fù)面情緒越大，反之亦然。即歸一化處理后的0代表最負(fù)面的情緒，1代表最正面的情緒。其計(jì)算公式如下：

其中，min(Xit)表示第i個(gè)微博主體的政策流變事件中網(wǎng)民負(fù)面情緒指標(biāo)序列Xit中的最小值，同理max(Xit)表示第i個(gè)微博主體的政策流變事件中網(wǎng)民負(fù)面情緒指標(biāo)值序列中的最大值。

2.2 政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)的計(jì)算

為了更準(zhǔn)確地識(shí)別負(fù)面情緒傳播的因果關(guān)系，信息學(xué)學(xué)者Thomas[28]提出了轉(zhuǎn)移熵的概念，它可以衡量信息傳遞的方向和時(shí)間序列中的因果關(guān)系，是用于分析系統(tǒng)之間信息相互作用的一種有效工具；同時(shí)其也能夠解決非線性系統(tǒng)問題，對(duì)兩個(gè)因素之間的相關(guān)度進(jìn)行描述。輿情治理能力是政府管理能力的重要組成部分，從信息供需角度，運(yùn)用轉(zhuǎn)移熵理論研究政策流變事件中網(wǎng)民負(fù)面情緒傳播的演化機(jī)理可以為政府有效治理輿情提供參考。因此，本文采用轉(zhuǎn)移熵法計(jì)算政策流變事件中網(wǎng)民負(fù)面情緒傳播的效應(yīng)。在應(yīng)用轉(zhuǎn)移熵公式之前，首先應(yīng)當(dāng)對(duì)政策流變事件中網(wǎng)民負(fù)面情緒傳播的指標(biāo)值序列Xit?進(jìn)行粗?；幚?，而如果直接使用負(fù)面情緒傳播的指標(biāo)序列計(jì)算轉(zhuǎn)移熵，將會(huì)由于負(fù)面情緒傳播指標(biāo)數(shù)值組合過多，進(jìn)而導(dǎo)致計(jì)算的時(shí)間和空間成本較高。對(duì)序列數(shù)據(jù)進(jìn)行粗?；幚恚梢詼p少計(jì)算量，減少噪音數(shù)據(jù)的影響，使異常數(shù)據(jù)有更強(qiáng)的魯棒性并且更方便存儲(chǔ)計(jì)算結(jié)果。所以在應(yīng)用轉(zhuǎn)移熵公式之前，首先對(duì)數(shù)據(jù)進(jìn)行粗?；幚?，即對(duì)連續(xù)型數(shù)值變量的離散化處理。本研究采用等概率分布方法，即隨機(jī)變量的每一個(gè)取值出現(xiàn)的概率都相等，選擇不同隨機(jī)變量的分位數(shù)進(jìn)行等概率分段，依次對(duì)分段后不同的區(qū)間進(jìn)行賦值可以得到每個(gè)微博主體粗?；呢?fù)面情緒傳播結(jié)果。

對(duì)于微博主體i和微博主體j微粗粒化后的負(fù)面情緒傳播指標(biāo)序列，根據(jù)轉(zhuǎn)移熵概念[28]，可定義政策流變事件中網(wǎng)民負(fù)面情緒傳播的轉(zhuǎn)移熵TEj→i(k,l)，其度量的是微博主體j的情感信息對(duì)微博主體i情感信息的影響，轉(zhuǎn)移熵的值越大表示政策流變事件中網(wǎng)民負(fù)面情緒傳播的效應(yīng)越大。具體表達(dá)式如下：

其中，in和jn分別表示的是微博主體i和微博主體j的指標(biāo)序列中第n個(gè)元素。在實(shí)際研究中，可以根據(jù)具體情況，去改變轉(zhuǎn)移熵的時(shí)間滯后。研究不同的時(shí)間滯后下的轉(zhuǎn)移熵，可以計(jì)算更多非線性的耦合信息。但通常為了計(jì)算方便，一般假設(shè)時(shí)滯k=l=1，考察的是一個(gè)序列對(duì)下一時(shí)刻另一個(gè)序列的值不確定度的消除[29]。公式（3）就簡(jiǎn)化為：

實(shí)際求解中，與公式（4）相比，選用公式（5）中的計(jì)算更為方便，因?yàn)樽兞块g只存在聯(lián)合概率分布。根據(jù)轉(zhuǎn)移熵的公式可知，TEj→i信息傳播的方向性是不對(duì)稱的，即TEj→i≠TEi→j。

3 政策流變事件中網(wǎng)民負(fù)面情緒傳播的實(shí)證分析

3.1 數(shù)據(jù)來源

本文選取2016年“沈陽大學(xué)生零首付買房新政緊急叫停事件”分析網(wǎng)民負(fù)面情緒的傳播。在微博平臺(tái)對(duì)“沈陽大學(xué)生零首付買房新政緊急叫停事件”進(jìn)行檢索，發(fā)現(xiàn)對(duì)該事件進(jìn)行討論的微博主體共有117個(gè)，但117個(gè)微博主體中滿足有網(wǎng)民在該微博評(píng)論或轉(zhuǎn)發(fā)區(qū)進(jìn)行討論的只有15個(gè)①15個(gè)微博主體包括3個(gè)央級(jí)媒體：“人民網(wǎng)”“央視財(cái)經(jīng)”和“經(jīng)濟(jì)之聲”；3個(gè)地方媒體：“沈陽發(fā)布”“封面新聞”和“羊城晚報(bào)”；4個(gè)新浪旗下的自媒體：“熱浪直播間”“頭條博客”“新浪地產(chǎn)”和“微博股票”；5個(gè)其他官方媒體：“每日經(jīng)濟(jì)新聞”“觀察者網(wǎng)”“證券時(shí)報(bào)”“早報(bào)網(wǎng)”和“中國(guó)經(jīng)營(yíng)報(bào)”。。通過Python3.9爬取這15個(gè)微博主體的評(píng)論及轉(zhuǎn)發(fā)文本，剔除表情和無效文本之后，評(píng)論與轉(zhuǎn)發(fā)的總樣本量為4318。各微博主體下的實(shí)際評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)如表1所示。由表1可知，“沈陽發(fā)布”“封面新聞”“人民網(wǎng)”和“早報(bào)網(wǎng)”的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)較多，其余微博主體的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)大多都少于30條，并且各微博主體評(píng)論數(shù)或轉(zhuǎn)發(fā)數(shù)之間的差距較大，例如“沈陽發(fā)布”的評(píng)論數(shù)是“新浪地產(chǎn)”的157倍，“沈陽發(fā)布”的轉(zhuǎn)發(fā)數(shù)是“新浪地產(chǎn)”的357倍。

表1 各微博主體下的實(shí)際評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)

通過對(duì)每個(gè)微博主體的評(píng)論與轉(zhuǎn)發(fā)文本內(nèi)容的情感傾向進(jìn)行賦值，可以得到各微博主體情感傾向的時(shí)間序列數(shù)據(jù)。然后將評(píng)論與轉(zhuǎn)發(fā)的情感傾向數(shù)據(jù)分別代入公式（1）中進(jìn)行加權(quán)平均，可以得到15個(gè)微博主體的情緒值均值，記為X，如表2所示。由表2可知，除“封面新聞”外，微博主體評(píng)論的情緒值均值相差不到2倍以內(nèi)，說明各微博主體間的負(fù)面情緒值均值差距不大。

表2 各微博主體下的評(píng)論及轉(zhuǎn)發(fā)情緒值均值

為了進(jìn)一步分析這15個(gè)微博主體評(píng)論及轉(zhuǎn)發(fā)文本中網(wǎng)民的負(fù)面情緒，對(duì)15個(gè)微博主體的評(píng)論以及轉(zhuǎn)發(fā)文本進(jìn)行分詞和詞頻統(tǒng)計(jì)。通過刪除中性詞等不含負(fù)面情緒的詞，可以繪制出各微博主體評(píng)論及轉(zhuǎn)發(fā)文本的詞云圖，如圖2所示。由圖2可知，“零首付”“朝令夕改”“房貸”“短命”和“負(fù)擔(dān)”等關(guān)鍵詞在微博評(píng)論及轉(zhuǎn)發(fā)文本中被提及的頻率較高，具有較高的話題討論度，體現(xiàn)了微博中網(wǎng)民負(fù)面情緒的表達(dá)。在沈陽大學(xué)生零首付買房新政被緊急叫停之后，引發(fā)了網(wǎng)民對(duì)該事件的廣泛討論，產(chǎn)生了大量的負(fù)面評(píng)價(jià)，并由此引發(fā)了負(fù)面情緒及其傳播。

圖2 各微博主體下評(píng)論及轉(zhuǎn)發(fā)文本的詞云圖

3.2 政策流變事件中的網(wǎng)民負(fù)面情緒傳播指標(biāo)的計(jì)算

從時(shí)間序列數(shù)據(jù)的連續(xù)性考慮，3月1日晚上政策發(fā)生流變后官媒或微博大V的討論較少，此時(shí)只有網(wǎng)民負(fù)面情緒的產(chǎn)生，并沒有開始傳播，因此主要對(duì)3月2日的網(wǎng)民負(fù)面情緒傳播進(jìn)行實(shí)證分析。在運(yùn)用轉(zhuǎn)移熵法計(jì)算政策流變事件中的網(wǎng)民負(fù)面情緒傳播時(shí)，考慮到轉(zhuǎn)移熵法需要的時(shí)間序列數(shù)據(jù)必須是連貫的，只有“封面新聞”“人民網(wǎng)”“沈陽發(fā)布”和“早報(bào)網(wǎng)”這4個(gè)微博主體持續(xù)關(guān)注該事件，且3月2日上午和下午各微博主體的評(píng)論、轉(zhuǎn)發(fā)數(shù)據(jù)符合連貫數(shù)據(jù)的要求，其余11個(gè)微博主體不滿足該條件。因此，在對(duì)該事件網(wǎng)民負(fù)面情緒傳播進(jìn)行計(jì)算時(shí)，選擇4個(gè)微博主體進(jìn)行分析。

由于3月2日上午涉及的3個(gè)微博主體為“封面新聞”“人民網(wǎng)”和“沈陽發(fā)布”，3月2日下午涉及的3個(gè)微博主體為“封面新聞”“早報(bào)網(wǎng)”和“沈陽發(fā)布”，所涉及的微博主體有所不同，所以將實(shí)證分析涉及的樣本期劃分為兩個(gè)時(shí)間窗口：3月2日上午9:00-12:00和下午12:00-17:00。通過Python3.9對(duì)這4個(gè)微博主體政策流變相關(guān)微博文本進(jìn)行爬取，總樣本量為1252。

為比較直觀了解各微博主體的統(tǒng)計(jì)特征，表3給出了4個(gè)微博主體3月2日的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)。由表3可知，各微博主體的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)的差距較大?！胺饷嫘侣劇焙汀吧蜿柊l(fā)布”的評(píng)論數(shù)相差8倍，轉(zhuǎn)發(fā)數(shù)相差21倍?！吧蜿柊l(fā)布”具有最大的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)，“封面新聞”的評(píng)論數(shù)最少，“人民網(wǎng)”轉(zhuǎn)發(fā)數(shù)設(shè)置內(nèi)容不可見，具有最少的轉(zhuǎn)發(fā)數(shù)。由此可見，地方媒體“沈陽發(fā)布”的影響最大。

表3 -4 第二個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)（0.4，0.6分位數(shù)）

表3 -3 第一個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)（0.4，0.6分位數(shù)）

表3 -2 第二個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)（0.3，0.7分位數(shù)）

表3 -1 第一個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)（0.3，0.7分位數(shù)）

表3 4個(gè)微博主體3月2日的評(píng)論數(shù)與轉(zhuǎn)發(fā)數(shù)

通過爬取該事件4個(gè)微博主體的評(píng)論與轉(zhuǎn)發(fā)文本，如前所述，對(duì)文本內(nèi)容的情感傾向進(jìn)行賦值，可以分別得到兩個(gè)時(shí)間窗口內(nèi)情感傾向的時(shí)間序列數(shù)據(jù)。其次，選取10分鐘作為固定的時(shí)間間隔，分別對(duì)3月2日兩個(gè)時(shí)間窗口的情感傾向每10分鐘代入公式（1）中進(jìn)行一次加權(quán)平均。最后，對(duì)得到的評(píng)論和轉(zhuǎn)發(fā)的情感數(shù)據(jù)進(jìn)行加權(quán)計(jì)算：轉(zhuǎn)發(fā)的情感傾向數(shù)據(jù)* 0.3 + 評(píng)論的情感傾向數(shù)據(jù) * 0.7 = 最終得分[27]，若無轉(zhuǎn)發(fā)文本，直接將評(píng)論文本的情感傾向數(shù)據(jù)作為最終得分進(jìn)行計(jì)算，評(píng)論亦然，進(jìn)而可以得到各微博主體的政策流變事件中網(wǎng)民負(fù)面情緒傳播的指標(biāo)序列數(shù)據(jù)Xit，如表4和表5所示。

表4 第一個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播的指標(biāo)序列數(shù)據(jù)

根據(jù)表4和表5可以得到整個(gè)樣本觀測(cè)期內(nèi)的兩個(gè)時(shí)間窗口的政策流變事件中網(wǎng)民負(fù)面情緒傳播的指標(biāo)序列數(shù)據(jù)，當(dāng)政策流變事件中網(wǎng)民負(fù)面情緒指標(biāo)數(shù)據(jù)為正值時(shí)不會(huì)產(chǎn)生傳播，只有政策流變事件中網(wǎng)民負(fù)面情緒指標(biāo)數(shù)據(jù)為負(fù)值時(shí)會(huì)產(chǎn)生傳播，且負(fù)值的絕對(duì)值越接近1時(shí)，政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)越高。例如3月2日上午11:50“人民網(wǎng)”的負(fù)面情緒傳播效應(yīng)最高。

表5 第二個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播的指標(biāo)序列數(shù)據(jù)

由于情感傾向賦值計(jì)算后得到每個(gè)時(shí)間窗口下的數(shù)據(jù)值較小，為了提高精度并且使所有指標(biāo)的方向一致，所以需要通過公式（2）對(duì)指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)映射在[0,1]之間。

3.3 政策流變事件中網(wǎng)民負(fù)面情緒傳播的計(jì)算

如前所述，本文采用等概率分布方法，選擇0.2和0.8作為隨機(jī)變量的分位數(shù)[30]，將其等概率分為三段，依次對(duì)三個(gè)區(qū)間賦值可以得到每個(gè)微博主體粗?；慕Y(jié)果。例如在本文中當(dāng)隨機(jī)變量小于下側(cè)0.2分位數(shù)時(shí)，統(tǒng)一賦值為0.2；當(dāng)隨機(jī)變量位于雙側(cè)分位數(shù)之間時(shí)，統(tǒng)一賦值為0.6；當(dāng)隨機(jī)變量大于上側(cè)0.8分位數(shù)時(shí)，統(tǒng)一賦值為0.8，通過粗粒化處理進(jìn)而得到兩個(gè)時(shí)間窗口內(nèi)的粗?；Y(jié)果，將上述粗?；幚斫Y(jié)果分別代入公式（5）中，可以得到各微博主體在兩個(gè)時(shí)間窗口內(nèi)的政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)，見表6和表7。

表6 第一個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)

表7 第二個(gè)時(shí)間窗口政策流變事件中網(wǎng)民負(fù)面效應(yīng)傳播效應(yīng)

其中，每一行表示某微博主體對(duì)其他微博主體的負(fù)面情緒傳播效應(yīng)，每一列表示某微博主體面臨被其他微博主體負(fù)面情緒傳播效應(yīng)的大小。從表6可以看出在第一個(gè)時(shí)間窗口內(nèi)“封面新聞”對(duì)“沈陽發(fā)布”的負(fù)面情緒傳播效應(yīng)較大，為0.39；第二個(gè)時(shí)間窗口內(nèi)“早報(bào)網(wǎng)”對(duì)“封面新聞”的負(fù)面情緒傳播效應(yīng)較大，為0.50。通過對(duì)比表6和表7可以看出除了新進(jìn)入的“早報(bào)網(wǎng)”之外，3月2日上午“封面新聞”和“沈陽發(fā)布”的政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)整體上大于下午。

3.4 基于社會(huì)網(wǎng)絡(luò)分析法的政策流變事件中網(wǎng)民負(fù)面情緒傳播研究

為更加直觀地展示政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)的空間關(guān)聯(lián)形態(tài)，本文利用Gephi可視化軟件，根據(jù)表6和表7各微博主體間的政策流變事件中網(wǎng)民負(fù)面情緒傳播矩陣，繪制兩個(gè)時(shí)間窗口內(nèi)的政策流變事件中網(wǎng)民負(fù)面情緒傳播有向網(wǎng)絡(luò)結(jié)構(gòu)圖。即將每個(gè)微博主體視作網(wǎng)絡(luò)的節(jié)點(diǎn)，微博主體間轉(zhuǎn)移熵值視作網(wǎng)絡(luò)鏈條的權(quán)重，并將每個(gè)微博主體評(píng)論的用戶ID作為節(jié)點(diǎn)與各微博主體相連接，通過社會(huì)網(wǎng)絡(luò)分析方法可以清晰又直觀地刻畫出政策流變事件中網(wǎng)民負(fù)面情緒傳播的內(nèi)在關(guān)聯(lián)，研究各微博主體間的負(fù)面情緒如何通過網(wǎng)絡(luò)進(jìn)行傳播。

為更清晰地觀察各微博主體間主要的負(fù)面情緒傳播鏈條，按照所有微博主體的網(wǎng)絡(luò)鏈條權(quán)重繪制出兩個(gè)時(shí)間窗口內(nèi)的負(fù)面情緒傳播效應(yīng)關(guān)系圖，如圖3和圖4所示。

圖3 第一個(gè)時(shí)間窗口社會(huì)網(wǎng)絡(luò)關(guān)系圖

圖4 第二個(gè)時(shí)間窗口社會(huì)網(wǎng)絡(luò)關(guān)系圖

從圖3和圖4中可以看出，在第一個(gè)時(shí)間窗口內(nèi)主要為“封面新聞”“沈陽發(fā)布”和“人民網(wǎng)”三個(gè)微博主體之間的網(wǎng)民負(fù)面情緒傳播，“早報(bào)網(wǎng)”未參加。在第二個(gè)時(shí)間窗口內(nèi)3月2日上午的微博主體只?！吧蜿柊l(fā)布”和“封面新聞”2個(gè)主體，“人民網(wǎng)”退出負(fù)面情緒傳播網(wǎng)絡(luò)，同時(shí)“早報(bào)網(wǎng)”新進(jìn)入網(wǎng)民負(fù)面情緒的傳播鏈條，說明網(wǎng)民負(fù)面情緒的傳播主體在發(fā)生變化，最開始發(fā)布消息的微博主體一個(gè)不經(jīng)意間的發(fā)博，在經(jīng)過網(wǎng)絡(luò)的放大作用后，可能會(huì)引起輿情的快速擴(kuò)散，并且在網(wǎng)民負(fù)面情緒傳播的過程中，微博主體可能會(huì)發(fā)生改變。從網(wǎng)絡(luò)鏈條權(quán)重的角度來看，第一個(gè)時(shí)間窗口內(nèi)負(fù)面情緒傳播效應(yīng)最大的為“封面新聞”對(duì)“沈陽發(fā)布”的傳播，第二個(gè)時(shí)間窗口內(nèi)負(fù)面情緒傳播效應(yīng)最大是“早報(bào)網(wǎng)”對(duì)“封面新聞”之間的傳播，說明最開始地方媒體“沈陽發(fā)布”的影響力較大，后期官媒的傳播影響更強(qiáng)。

圖3 -3 第一個(gè)窗口社網(wǎng)圖（0.4分位數(shù)）

圖3 -1 第一個(gè)窗口社網(wǎng)圖（0.3分位數(shù)）

3.5 穩(wěn)健性檢驗(yàn)

首先，為保證文章研究結(jié)果的穩(wěn)健性，對(duì)政策流變事件中網(wǎng)民負(fù)面情緒傳播模型的計(jì)算結(jié)果進(jìn)行穩(wěn)健性檢驗(yàn)。取不同分位數(shù)重新計(jì)算。本文選取0.3，0.7以及0.4，0.6這兩組不同的分位數(shù)對(duì)方程（5）的政策流變事件中網(wǎng)民負(fù)面情緒傳播效應(yīng)以及社會(huì)網(wǎng)絡(luò)關(guān)系圖進(jìn)行驗(yàn)證，數(shù)據(jù)結(jié)果見表8。由表8和附錄結(jié)果可知在更換分位數(shù)后，第一個(gè)時(shí)間窗口內(nèi)“封面新聞”對(duì)“沈陽發(fā)布”的負(fù)面情緒傳播效應(yīng)仍舊是最大的，并且除了新進(jìn)入的“早報(bào)網(wǎng)”之外，其他微博主體第一個(gè)時(shí)間窗口的負(fù)面情緒傳播效應(yīng)整體上大于第二個(gè)時(shí)間窗口，政策流變事件中的網(wǎng)民負(fù)面情緒傳播矩陣的趨勢(shì)基本不變。更換分位數(shù)對(duì)網(wǎng)絡(luò)鏈條權(quán)重影響較小，第一個(gè)時(shí)間窗口社會(huì)網(wǎng)絡(luò)分析的結(jié)論基本不變，但第二個(gè)時(shí)間窗口社會(huì)網(wǎng)絡(luò)分析的結(jié)論有所變化，但整體上基本一致。因此，更換分位數(shù)對(duì)政策流變事件中網(wǎng)民負(fù)面情緒傳播模型的計(jì)算影響較小。

表8 穩(wěn)健性檢驗(yàn)

其次，在采用情感分析法對(duì)微博文本所表達(dá)的正負(fù)傾向性進(jìn)行打分時(shí)，由于網(wǎng)絡(luò)評(píng)論區(qū)和轉(zhuǎn)發(fā)區(qū)網(wǎng)民發(fā)表的言論一般通過審核后才能顯示，部分過激言論可能被隱藏，從而影響文本情感分析結(jié)果。通過統(tǒng)計(jì)“沈陽發(fā)布”“封面新聞”“人民網(wǎng)”和“早報(bào)網(wǎng)”4個(gè)微博主體評(píng)論和轉(zhuǎn)發(fā)所顯示的文本數(shù)量和真正實(shí)際爬取的文本數(shù)量可以得到表9。通過表9可以看出，各微博主體實(shí)際評(píng)論數(shù)和顯示評(píng)論數(shù)相差較大，評(píng)論數(shù)與轉(zhuǎn)發(fā)數(shù)的實(shí)際數(shù)值與顯示數(shù)值之間的差值為被隱藏文本的數(shù)值。

表9 各微博主體的顯示評(píng)論與轉(zhuǎn)發(fā)數(shù)和實(shí)際評(píng)論與轉(zhuǎn)發(fā)數(shù)

為考慮被隱藏文本這一因素，擬通過對(duì)公示加權(quán)計(jì)算來改進(jìn)。首先，將顯示評(píng)論數(shù)記為P，實(shí)際評(píng)論數(shù)記為Q，被隱藏的評(píng)論數(shù)記為Y，則Y=P-Q。鑒于之前對(duì)政策流變事件中的網(wǎng)民負(fù)面的情感傾向賦值為-1，被隱藏的文本內(nèi)容一般為一些過激或過負(fù)面的內(nèi)容，因此將被隱藏的所有評(píng)論文本統(tǒng)一賦值為-1.5。其次，由之前的公式（1）可以得到政策流變事件中各微博主體評(píng)論與轉(zhuǎn)發(fā)的情緒值均值X，如表2所示。最后，根據(jù)實(shí)際評(píng)論數(shù)與被隱藏評(píng)論數(shù)的占比進(jìn)行加權(quán)計(jì)算，即對(duì)于實(shí)際評(píng)論數(shù)賦權(quán)重為Q/P，被隱藏的評(píng)論數(shù)賦權(quán)重為Y/P，通過代入公式（6）進(jìn)行加權(quán)計(jì)算，可以得到考慮被隱藏文本后的評(píng)論情緒值均值，記為Z，其計(jì)算公式如下：

同理，將顯示轉(zhuǎn)發(fā)數(shù)記為M，實(shí)際轉(zhuǎn)發(fā)數(shù)記為N，被隱藏的轉(zhuǎn)發(fā)數(shù)記為L(zhǎng)，則L=M-N，將M、N和L代入公式（6）可以計(jì)算出考慮被隱藏后文本的轉(zhuǎn)發(fā)情緒值均值，如表10所示。通過對(duì)比表10中的數(shù)據(jù)，可以看出在考慮被隱藏文本這一因素并進(jìn)行重新計(jì)算后，與未考慮被隱藏文本的情緒值均值趨勢(shì)基本一致，例如“早報(bào)網(wǎng)”評(píng)論的情緒值均值是最大的，考慮被隱藏文本后，“早報(bào)網(wǎng)”的情緒值均值依然是最大的，其余微博主體在考慮被隱藏文本這一因素后，其趨勢(shì)也基本與原有趨勢(shì)一致，說明原計(jì)算結(jié)果是穩(wěn)健的，可以忽略被隱藏的評(píng)論數(shù)和轉(zhuǎn)發(fā)數(shù)。

表10 各微博主體考慮隱藏文本與不考慮隱藏文本評(píng)論及轉(zhuǎn)發(fā)的情緒值均值對(duì)比

最后，選取“上海安次區(qū)陽性患者戶內(nèi)豢養(yǎng)動(dòng)物撲殺政策流變事件”和“南京二手房取消限購(gòu)政策流變事件”兩個(gè)案例進(jìn)行具體論證。在2022年3月29日“上海安次區(qū)陽性患者戶內(nèi)豢養(yǎng)動(dòng)物撲殺政策”發(fā)布不到一日發(fā)生流變后，與該政策相關(guān)的話題“廊坊安次區(qū)致歉”閱讀次數(shù)超過1億次，話題討論次數(shù)共9777條，有82家媒體對(duì)該事件進(jìn)行了報(bào)道，此話題招致了絕大多數(shù)網(wǎng)民的負(fù)面評(píng)價(jià)，并由此產(chǎn)生了負(fù)面情緒，負(fù)面情緒在微博中經(jīng)過評(píng)論與轉(zhuǎn)發(fā)，傳播的速度很快并且傳播范圍很廣。2022年5月20日“南京二手房取消限購(gòu)政策”發(fā)布僅兩小時(shí)便發(fā)生了“流變”，對(duì)該事件進(jìn)行討論的微博媒體共38家，帶“南京二手房取消限購(gòu)政策”話題發(fā)布原創(chuàng)微博的用戶量總和為2829，網(wǎng)民對(duì)該政策的討論多為質(zhì)疑等負(fù)面情緒，通過網(wǎng)民的不斷關(guān)注和轉(zhuǎn)發(fā)，負(fù)面情緒很容易傳播擴(kuò)散。通過這兩個(gè)案例的分析，可知在政策流變發(fā)生后，易產(chǎn)生一些網(wǎng)民的負(fù)面情緒，并且負(fù)面情緒會(huì)在微博主體之間進(jìn)行傳播。

4 結(jié)論與建議

本文基于轉(zhuǎn)移熵法計(jì)算“沈陽大學(xué)生零首付買房新政緊急叫停事件”網(wǎng)民負(fù)面情緒傳播矩陣，并利用社會(huì)網(wǎng)絡(luò)分析方法繪制該事件的有向網(wǎng)絡(luò)結(jié)構(gòu)圖，更直觀地研究政策流變事件中的網(wǎng)民負(fù)面情緒傳播關(guān)系。研究結(jié)果表明：第一，從政策流變事件中的網(wǎng)民負(fù)面情緒傳播矩陣來看，政策流變事件中的網(wǎng)民負(fù)面情緒傳播效應(yīng)并不一定是對(duì)稱的，某個(gè)微博主體對(duì)另一個(gè)微博主體造成的負(fù)面情緒傳播效應(yīng)較大，但并不意味著另一個(gè)微博主體對(duì)該微博主體也造成較大的負(fù)面情緒傳播效應(yīng)。第二，政策流變發(fā)生后，3月2日上午的政策流變事件中的網(wǎng)民負(fù)面情緒傳播效應(yīng)整體大于下午。第三，從網(wǎng)民負(fù)面情緒傳播的有向網(wǎng)絡(luò)圖來看，當(dāng)網(wǎng)民負(fù)面情緒出現(xiàn)后，會(huì)通過網(wǎng)絡(luò)鏈條進(jìn)行傳播，并且網(wǎng)民負(fù)面情緒傳播的主體會(huì)發(fā)生變化，根據(jù)社會(huì)網(wǎng)絡(luò)關(guān)系圖可以找到負(fù)面情緒傳播的主要鏈條和關(guān)鍵節(jié)點(diǎn)。

在當(dāng)前紛繁復(fù)雜的網(wǎng)絡(luò)輿論環(huán)境背景下，如何防止政策流變事件中網(wǎng)民負(fù)面情緒的傳播是整個(gè)社會(huì)關(guān)注的重點(diǎn)。根據(jù)上述得出的研究結(jié)論，可以提出以下政策建議：第一，鑒于微博平臺(tái)各微博主體在網(wǎng)民負(fù)面情緒傳播中的異質(zhì)性表現(xiàn)，有關(guān)監(jiān)管部門應(yīng)該根據(jù)其異質(zhì)性表現(xiàn)制定相應(yīng)的差別化負(fù)面情緒識(shí)別和預(yù)警管理策略，從而對(duì)相關(guān)的負(fù)面情緒傳播進(jìn)行有針對(duì)性的監(jiān)測(cè)。第二，針對(duì)政策流變現(xiàn)象，政府應(yīng)該及時(shí)掌握輿情的發(fā)展趨勢(shì)，將政策流變事件中的負(fù)面情緒傳播放在可控的范圍內(nèi)，防止公共危機(jī)的發(fā)生。第三，要全面理解網(wǎng)民負(fù)面情緒傳播的空間關(guān)聯(lián)關(guān)系和整體網(wǎng)絡(luò)結(jié)構(gòu)特征，提高抵御風(fēng)險(xiǎn)的能力，落實(shí)網(wǎng)民負(fù)面情緒傳播的主要鏈條與路徑，當(dāng)危機(jī)發(fā)生時(shí)及時(shí)采取措施防止負(fù)面情緒的傳播；同時(shí)加強(qiáng)對(duì)易受負(fù)面情緒傳播影響的關(guān)鍵微博節(jié)點(diǎn)的監(jiān)管，從源頭上進(jìn)行控制，防止網(wǎng)民負(fù)面情緒的進(jìn)一步擴(kuò)散。

附錄

圖3-2 第二個(gè)窗口社網(wǎng)圖（0.3分位數(shù)）

圖3-4 第二個(gè)窗口社網(wǎng)圖（0.4分位數(shù)）