Evaluation of Public Opinion Influence of Emergenciesand Identification of Its Main Driving Factors:Based on the Analysis from the Dimension of Event Classification
-
摘要:
突发事件往往有着深刻的舆情影响力，而不同类型事件的舆情影响力又存在一定的差异。已有相关研究多集中于总体属性分析方面，而分类别研究成果相对较少，因此，从事件分类维度去研究突发事件舆情影响力及其主要驱动因素具有较为显著的理论意义和应用价值。基于综合性、及时性、全面性、科学性等原则，选取2022年1—9月发生的40个典型突发事件，并对其进行归类比较，探析不同类型事件的共性和差异，同时阐释了突发事件的9类舆情影响效应，运用VIKOR法对40个典型事件的舆情影响力进行评价以及运用因子分析法探讨其主要驱动因素。研究发现：一是不同类别事件的舆情影响力存在一定的差异，这是多种因素综合作用的结果。例如，军事安全类、国际安全类、疫情安全类、公众安全类和大型自然安全类事件的舆情影响力往往较大，消防安全类与交通安全类事件的舆情影响力则相对较小。二是微博传播间接效应、情感导向效应、权威发酵效应、传播层级效应是突发事件舆情影响力的关键驱动因素。
Abstract:The occurrence of emergencies often has a profound public opinion influence, but the public opinion influence of different types of events varies to some extent. Previous studies mainly focus on the analysis of overall attributes of public opinion influence, while there are relatively fewer research results on its classification. So it is of great theoretical significance and practical value to study the public opinion influence of emergencies and its main driving factors from the dimension of event classification. Based on the principles of comprehensiveness, timeliness, totality and scientificity, the paper selects 40 typical emergencies from January to September 2022, classifies and compares them to analyze the commonalities and differences of different types of events, and interprets the nine types of public opinion effects of emergencies. In addition, it evaluates the public opinion influence of 40 typical events by using the VIKOR method, and explores its main driving factors by using factor analysis. The study finds that there are differences in the influence of public opinion on different categories of events, which result from a combination of factors. For instance, military security, international security, epidemic security, public security, and large-scale natural security events tend to have a larger influence on public opinion, while fire safety and transportation safety events have a relatively smaller influence. Additionally, the study identifies that the indirect effect of microblog communication, the emotion-oriented effect, the authority fermentation effect, and the communication hierarchy effect are key driving factors for the influence of public opinion on emergencies.
-
Keywords:
- emergency /
- public opinion influence /
- VIKOR method /
- factor analysis method /
- public opinion effect
-
突发事件及其衍生事件，深刻影响着社会经济发展、国民身心健康、社会稳定和意识形态安全[1]。处理好突发事件，对保障民生、维护人民切身利益、维护社会长治久安、促进经济社会繁荣皆有着深刻的意义，也是贯彻落实人民至上理念的必然要求。然而，近年来，各地突发事件有所增多，维护公共安全的任务也变得更加繁重，可谓形势严峻。突发事件的爆发，给不同类型群体的利益造成了不同程度的负面影响，有些突发事件甚至引发了较为严重的社会负面情绪，造成了较为严重的后果，进而滋生了意识形态风险，在一定程度上增加了解决公共安全问题的难度。由此可见，规避突发事件所产生的负面影响，对维护公共安全乃至国家安全具有很强的现实意义，是不可耽误、不可推迟的紧迫性任务。
近年来，政府部门高度重视对突发事件的处理，而处理这类事件离不开三个方面的工作：一是需要积极应对因突发事件负面舆情造成的破坏；二是需要深入剖析舆情事件背后所隐藏的社会问题；三是对已经存在、发生的问题能够及时解决，这也是关键所在。要处理好这些问题，就需要对突发事件舆情进行有效的识别、规范、控制、引导和治理。舆情是民众情绪的集中表达，具有传播速度快、数据量庞大、虚实难辨等特征[2]，这也使得舆情治理的难度往往较大。但突发事件舆情传播也具有一定的规律，同类型事件之间亦存在一定的相似性，因此，找出这些事件舆情发展背后所隐藏的内在规律和发展共性，往往能为处理突发事件提供方向性指引。鉴于此，笔者拟重点解决如下问题：一是研究突发事件传播的共性规律；二是对不同类型突发事件的影响力进行分类评价，以便更加准确地研判事件的轻重缓急；三是探究识别影响突发事件的影响力的因素，进而更加有效地查找原因，以期能为政府部门制定决策提供有效的研判依据。
一、 文献综述
当前，虽有一定的关于突发事件舆情传播的研究成果，但并不是很丰富，主要集中在以下三个方面。
一是对突发事件背景下舆情的形成与演化、引导与治理等的研究。张桂蓉等基于安全信息学与舆情理论，利用事故树分析方法研究安全舆情演化过程，指出可依据舆情的结构重要度确定舆情改进的重点和优化顺序[3]；王平和谢耘耕分析了突发公共事件网络舆情的形成及其演变机制[4]63-69。同时，近年来，关于突发事件微博舆情演化分析的成果也开始不断涌现。例如：马莹雪和赵吉昌以台风和暴雨数据为例，分析了自然灾害发生期间微博平台的舆情特征及其演变[5]；曹树金和岳文玉对突发公共卫生事件的微博舆情主题进行了挖掘与演化分析[6]；安璐和吴林尝试提出了一种融合主题与情感特征的突发事件微博舆情演化分析方法，以探讨突发事件微博舆情演化特征[7]；曾子明和万品玉对突发事件的微博情感进行了分析[8]；杨娟娟等对突发事件中政务微博网络舆情传播规律进行了研究[9]11-15。
二是案例分析，即通过某一经典案例来探究突发事件舆情的传播。袁媛以刚果埃博拉病毒为例，对面向公共安全风险防控的疫情网络舆情预警进行了研究[10]；王晰巍等以自然灾害“7·20河南暴雨”为例，构建了重大突发事件网络舆情UGC（user-generated content，用户生成内容）的事理图谱[11]13-23；朱恒民等以新冠疫情为例，研究了网络舆情话题的漂移路径[12]；李翠敏以“长生疫苗事件”为例，剖析了公共突发事件网络舆情的协同疏解[13]；张武桥和黄永林以“成都女司机变道被暴打”事件为例，分析了个人极端暴力事件的网络舆情传播[14]85-90。综上可知，经典案例分析法在网络舆情研究分析过程中是一种较为普及的研究方法，所涉及的领域也较为广泛。
三是突发事件舆情的归因分析。胡吉明和杨泽贤运用DEMATEL方法，研究了突发事件网络舆情热度，并从主体、客体、本体、引体、载体五个维度对关键影响因素进行了识别[15]112-117；魏宇航和田园运用扎根理论，对高校突发事件网络舆情传播的影响因素进行了研究[16]；赵飞和廖永丰使用灰色预测模型、ARIMA模型，研究了突发自然灾害事件网络舆情的传播特征和影响因素[17]；申金霞等基于理论分析视角，探讨了教育舆情影响因素及其应对之策[18]；廖海涵和王曰芬以新浪微博“8·12天津爆炸”事件为例，探究了社交媒体舆情信息传播效果的影响因素[19]；洪巍等使用多项Logistic回归模型，探讨了食品安全网络舆情中影响网民微博转发行为的因素[20]；寇鸿顺和马洪伟研究了民族问题舆情的特点和影响因素[21]。综上可知，学者们对不同类型的突发事件舆情传播影响因素进行了不同方向的分析，尽管在进行归因分析的过程中他们所使用的研究方法存在一定的差异，但案例选取是他们研究中共同的且必不可少的环节。
笔者的研究内容属于上述的第三个方面。
二、 相关概念
笔者综合已有研究成果，对突发事件与舆情影响力进行了综合概述，主要包括以下两个概念。
一是突发事件。《中华人民共和国突发事件法》第3条对突发事件作出了界定：“本法所称突发事件，是指突然发生，造成或者可能造成严重社会危害，需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。”突发事件往往直接或间接威胁人民群众的生命财产安全，易导致人员伤亡、财产损失、社会秩序紊乱等严重后果，是需要采取紧急措施进行应对和处理的事件。突发事件通常具有突然性、不可预测性、规模大、影响范围广等特点[4]63-69[9]11-15[11]13-23[15]112-117[22]。常见的突发事件包括地震、火灾、恐怖袭击、传染病暴发等。针对突发事件，需要有科学的应急预案和应急机制，且需要各级政府、社会组织、企业和个人共同参与，形成合力，最大限度地减少人员伤亡和财产损失。
二是舆情影响力。舆情影响力是指网民在一定时期和互联网空间内，对自己关心的公共事务，尤其是社会热点、焦点问题所持有的情绪、意愿、态度、意见的总和[4]63-69。舆情影响力多伴随着社会事件的演化而产生，借助社交网络进行传播，是互联网用户的情感、态度、行为和认知的集合[23]。其中，重大突发事件的发生往往会给社会稳定带来极大的威胁，并对人民群众的生命健康和物质财富造成灾害性的破坏[24]。突发事件网络舆情的发展一般会经历孕育、扩散、变换、衰减的发展阶段，舆情影响力作为衡量其发展状态的重要指标受到了诸多因素的影响[14]85-90。由此可知，舆情影响力是一个复杂系统的概念，对其进行评价需要考虑多方面的影响因素，这也在一定程度上印证了笔者综合多种因素来评价突发事件舆情影响力的研究的可行性。
三、 突发事件舆情传播情况总概
（一） 突发事件传播总量表现
笔者基于综合性、及时性、全面性、科学性等原则，选取了2022年1—9月发生的40个典型突发事件，涉及类型包括：公众安全类事件、疫情安全类事件、教育安全类事件、交通安全类事件、食品安全类事件、疾病安全类事件、自然安全类事件、消防安全类事件、军事安全类事件、国际安全类事件、科技安全类事件。2022年1—9月40个典型突发事件报道总量情况统计，如表1所示。表1中的数据由笔者根据舆情秘书、清博舆情、道丁短视频等舆情监测平台上的数据整理所得，随机编码，并根据各事件的报道总量按照降序排列。
表 1 2022年1—9月40个典型突发事件报道总量情况统计编码 舆情事件 类型 持续时间/天 报道总量/条 14 四川泸定6.8级地震 自然安全 5 10 206 320 28 佩洛西窜访中国台湾地区事件 军事安全 33 5 597 783 16 贵阳疫情 疫情安全 28 3 401 998 3 成都8月25日疫情 疫情安全 41 2 143 760 37 唐山一烧烤店内多名男子殴打女生事件 公众安全 31 1 476 617 36 高温天气引发多地确诊热射病事件 疾病安全 19 1 338 329 20 北碚山火事件 消防安全 12 1 205 829 39 上海金山砍人事件 公众安全 4 1 152 372 11 贵州客车高速侧翻事故 交通安全 3 1 058 753 5 知名艺考机构诱奸未成年人事件 教育安全 5 563 845 22 彭州安全事故 自然安全 5 543 159 6 长沙电信大楼起火事故 消防安全 4 466 248 8 贵阳花果园疫情 疫情安全 28 422 619 4 贵州毕节疫情 疫情安全 20 409 813 13 陕西某大学遭美国网络攻击事件 科技安全 12 327 480 27 唐山一男子驾车撞倒碾压女友事件 交通安全 3 294 221 31 22岁女孩连续熬夜加班猝死事件 公众安全 5 207 670 15 湖南女子酒驾撞人拖行事件 交通安全 6 187 319 21 青海洪灾 自然安全 14 170 962 32 四川沐川发生持枪伤人案件 公众安全 7 136 723 10 陕西回应卖20元芹菜被罚6万6千元事件 公众安全 8 99 619 26 宁德屏南万安桥突发大火事故 消防安全 4 69 692 40 空军歼−7飞机失事事故 军事安全 3 67 176 34 天津一小区爆炸事故 公众安全 3 55 603 38 兰州化工企业爆炸事故 公众安全 5 45 272 33 连云港出现龙卷风灾害 自然安全 4 42 475 24 小鹏汽车高架撞人致死事故 交通安全 5 37 008 29 冷水江女教师受害事件 教育安全 4 35 463 9 民警办案就餐不付钱事件 公众安全 7 32 381 12 安徽某中学训练致学生住院事件 教育安全 3 30 961 2 陕西初中女生遭多人殴打事件 教育安全 5 29 220 1 滨州职业技术学院宿舍刑事案件 教育安全 4 28 822 17 青海发生山体滑坡事件 自然安全 9 27 264 7 中国使馆通报柬埔寨沉船事故 国际安全 5 21 485 25 山东一幼儿园被曝使用生蛆淋巴肉事件 食品安全 9 18 339 23 宁波一地发生火灾致7人死亡事故 消防安全 6 14 495 30 河南舞阳交通事故 交通安全 3 13 871 19 河南某医院院长当街抽打女子事件 公众安全 3 13 316 35 中国公民在南非遭绑架后不幸罹难案件 国际安全 4 10 838 18 5岁女童遭狗咬毁容事件 公众安全 8 10 554 由表1可知：特大自然灾害类事件易引发大量的关注、传播和报道，如四川泸定6.8级地震；与其他安全类事件相比，疫情安全类事件易引发高度的关注和报道，且往往持续时间较长，如贵阳花果园疫情和贵州毕节疫情；敏感的军事安全类事件易触发民众的爱国情感，也易引发高度关注，如佩洛西窜访中国台湾地区事件；受害群体单一且严重性较低的公众安全类事件的关注度一般相对较低，如5岁女童遭狗咬毁容事件、河南某医院院长当街抽打女子事件；非大型交通安全类事件不易引发高度关注，如小鹏汽车高架撞人致死事故和河南舞阳交通事故的报道量均相对较低；单一的非舆论敌对国家发生的国际安全类事件均难以引发较高报道，如中国公民在南非遭绑架后不幸罹难案件、中国使馆通报柬埔寨沉船事故；消防安全类事件普遍易受到较多关注，且报道量总体相对较高，如北碚山火事件；刑事类公众安全类事件易引发较多的报道，如唐山一烧烤店内多名男子殴打女生事件；与其他事件相比，教育安全类事件的报道量普遍相对较低，但与权利声张或两性关系相关的此类事件却较易引发舆情蔓延，也易使公众产生教育安全类事件频发的错觉，如知名艺考机构诱奸未成年人事件。
（二） 突发事件传播媒介特点
随着新媒体技术的飞速发展和互联网普及率的大幅提高，网络新媒体已成为公众表达舆情和传递声音的重要窗口，而突发性公众安全类事件舆情传播在媒介选择上往往表现为以网络媒体为主的多样性，包括微博、网媒、微信、论坛、贴吧、短视频、网络视频、电视视频、App、报刊等传播媒介。其中，微博、微信、短视频、网媒在突发事件舆情传播过程中的影响较大。同时，传统权威性媒体与新媒体融合后的全媒体矩阵传播易加大舆情传播速度，影响网民的立场倾向性，而在以微博、微信为代表的社交媒体环境下，舆情从萌发到高峰的反应时间越来越短，这又进一步促进了舆情事件演化周期的加速。
2022年1—9月40个典型突发事件报道总量前10位与后5位的重要媒介传播占比情况统计，如表2所示。由表2可知，在选取的时间区间内发生的各类事件的传播媒介中，微博占比最高，网媒、短视频、微信占比次之（其中疫情安全类事件短视频媒介占比相对较高），App占比则进一步次之。上述媒体的总占比皆在90.00%以上，并且大部分在98.00%以上，由此也再次说明了突发事件舆情传播中微博、网媒、短视频、微信、App具有主要的影响。此外，论坛和贴吧占比则都明显很小。
表 2 2022年1—9月40个典型突发事件报道量前10位与后5位的重要媒介传播占比情况统计编码 微博占比/% 网媒占比/% 短视频占比/% 微信占比/% App占比/% 论坛占比/% 贴吧占比/% 总占比/% 14 77.95 5.01 9.87 2.30 2.85 1.80 0.05 99.83 28 64.19 14.12 7.74 4.42 6.40 1.49 0.05 98.41 16 26.98 9.44 48.17 7.34 5.45 2.19 0.06 99.63 3 38.82 12.11 36.28 4.39 5.39 0.39 0.13 97.51 37 62.86 7.99 8.14 6.47 5.94 0.64 0.10 92.14 36 44.58 11.85 18.03 11.37 6.24 0.52 0.38 92.97 20 71.22 4.72 18.02 2.07 2.93 0.20 0.01 99.17 39 99.37 0.12 0.18 0.10 0.05 0.04 0.03 99.89 11 86.32 1.95 9.41 1.16 1.03 0.07 0.03 99.97 5 95.33 1.57 1.00 1.14 0.88 0.05 0.01 99.98 23 20.08 23.56 7.66 36.18 11.21 0.90 0.06 99.65 30 39.11 19.84 15.38 11.94 11.13 0.69 0.12 98.21 19 53.06 8.27 23.23 5.37 5.06 4.66 0.05 99.70 35 58.89 18.42 5.22 8.47 7.86 0.78 0.06 99.70 18 70.68 10.89 7.28 4.63 5.06 1.14 0.05 99.73 注：数据来源为舆情秘书、清博舆情、道丁短视频三者的数据汇总。表3同。 （三） 突发事件微博传播特点
2022年1—9月40个典型突发事件报道总量前10位与后5位的微博传播分类型情况统计，如表3所示。
表 3 2022年1—9月40个典型突发事件报道量前10位与后5位的微博传播类型情况统计编码 微博转发
占比/%微博转评
占比/%微博评论
占比/%微博转发、转评、
评论总占比/%微博原发
占比/%14 25.21 67.06 0.32 92.59 7.41 28 41.41 31.05 1.07 73.53 26.47 16 44.08 34.98 1.02 80.08 19.92 3 25.47 32.76 1.23 59.46 40.54 37 57.14 25.67 1.73 84.54 15.46 36 38.49 35.85 1.05 75.39 24.61 20 40.61 54.38 0.19 95.18 4.82 39 35.17 31.43 0.35 66.95 33.05 11 47.26 41.90 0.05 89.21 10.79 5 55.56 38.91 0.24 94.71 5.29 23 28.48 17.08 1.67 47.23 52.77 30 33.72 18.93 1.21 53.86 46.14 19 28.49 40.81 0.81 70.11 29.89 35 41.07 21.82 0.52 63.41 36.59 18 37.33 26.30 1.38 65.01 34.99 由表3可知，在突发性公共类安全事件微博舆情传播过程中，转发、转评、评论三者总占比远高于原发；转发与转评的占比大致相当，且均高于原发，而评论的占比较低，由此说明，在突发事件微博舆情传播过程中，间接传播量要高于原发传播量。因此，在微博舆情传播引导控制过程中，要格外注意微博间接传播的扩散效应，通过合理控制转发、转评等措施，进而在一定程度上解决原发博文所涉及事件的舆情治理问题。
（四） 突发事件舆情传播总体特点
综上所述，笔者将突发事件舆情传播的总体特点大致概括为以下四个方面。
一是突发事件舆情传播点多、线杂、面广，信息量庞大，互动性、即时性、自主性传播特点突出。尤其是舆情传播互动性易延长舆论传播时间，而多平台发酵、舆论质疑声对推动事件热度走高影响显著，网民态度倾向性则易使舆情传播速度进一步加快。
二是触及民生利益领域相关网络舆情一般持续时间长，且传播范围广。网络受众与事件主体指向更加明确、具体，且网络受众的利益选择性特征更加明显，网络发声会进一步消除传统媒体所具有的隐蔽性、匿名性、虚拟性等特征，类似舆情再度出现则易加剧网民的抵触情绪，且负面性容易增强。
三是政府部门对相关舆情的处理不当，极易助推舆情高涨发酵态势。如果同类社会问题不断重现，类似舆情极易频繁产生长尾效应再度爆发，导致公众对政府的不信任度加强，引发意识形态风险。
四是相较于原发，转发、评论对舆情的发散传播影响更大，效果更加显著，对舆情发酵起着推波助澜的作用，且负面舆情事件若不及时解决易再度激发网民的负面情绪，甚至致使网民产生极端观点，衍生其他类别的舆情。
四、 突发事件舆情影响力评价
（一） 突发事件舆情影响力效应分析
通过上文的分析可以发现，反映舆情传播影响力效应的因素很多，通过梳理和实践应用发现，从合理性角度和逻辑关联性入手，可以大致概括为以下9类效应。
1. 舆情规模效应
舆情规模是指舆情事件在社会舆论中引起的关注度和讨论规模，舆情规模在一定程度上能够说明舆情影响力的覆盖面[25-26]。其中，舆情报道相关总量能够体现舆情传播的规模效应，相关报道量越多，越能够体现舆情的传播力度和影响力度。
2. 时间持续效应
舆情事件的时间持续效应是指舆情事件在发生之后对相关方面产生的长期影响。舆情事件通常会在短时间内引起广泛关注和讨论，虽然随着时间的推移，公众对该事件的关注度会逐渐降低，但是事件本身所产生的影响却可能会长期存在，表现为被网络受众提醒“互联网是有记忆的”。相关研究成果指出，时间持续效应是舆情影响力的重要影响因素[27-28]。对于不同类型的事件，时间趋势所带来的持续性效应所持续的时间也不同，持续时间的长短通常能够反映舆情事件的延续发展情况。
3. 情感导向效应
舆情情感导向效应是指在舆情事件中，公众的情绪状态对事件及其后果的影响。舆情事件在公众中产生情绪反应，这些情绪反应可能会使事件进一步扩大和异化，甚至影响事件的解决方案。有研究表明，公众的情感情绪深刻影响着舆情传播的力度和方向[29]。
4. 传播层级效应
传播层级就是信息转发级数[30]。舆情传播层级效应是指舆情事件在传播过程中，会经过多个传播层级，每个层级的传播速度和影响力不同，从而影响舆情事件的传播效应和后果[31]。有研究指出，舆情传播网络的复杂性所衍生的加速舆情传播的问题，一般而言，传播层级越多越复杂，信息可信度越低，越容易以所谓“小道消息”的形式加剧舆情的传播，促使舆情发酵甚至歪曲事实，舆情传播层级是衡量舆情影响力的重要体现[32]121-131。
5. 微博助力效应
微博助力效应是指在舆情事件中，微博作为当前影响力最强的社交媒体平台，通过在该平台上的传播、互动对舆情事件的发展和影响产生重要的作用。微博助力效应来源于其所带来的扩散效应，包括直接效应和间接效应，直接效应体现为微博原发情况对舆情影响力的作用，间接效应在于微博转发、评论、转评所带来的加速效应。相关研究还表明，微博提供的“热搜、话题、热点流”三大应用功能使无任何关联的用户进行信息交互，从而加快了舆情传播速度，扩大了舆情影响力[33]。
6. 融媒体扩散效应
舆情融媒体扩散效应是指在舆情事件中，诸如微信、短视频等各类媒体平台之间相互衔接、相互引导、相互影响，共同扩大了舆情事件的影响力和传播效应。融媒体时代下突发事件的传播形式往往表现为多媒体融合传播，甚至线上线下交互同频共振，融媒体对舆情影响力的作用也变得越来越重要[34]。
7. 短视频传播效应
舆情短视频传播效应是指在舆情事件中，短视频因视觉、语言、音乐等多种元素的加成，对舆情事件的传播和影响产生积极作用，从而扩大舆情事件的影响范围和深度[35]。当前，舆情传播主力短视频平台包括抖音、快手、今日头条、新浪微博视频等，而随着短视频用户数量的不断增加，受众群体的多样性特征日益凸显，极易产生链式传播。短视频的日益扩张和应用在给公众的沟通交流带来便利的同时，也使得短视频平台产生的负面网络舆情甚嚣尘上，给网络舆情导控工作带来了新的挑战[36]。
8. 政府推动效应
网络舆情的快速发展使得政府与公民之间有了更多沟通的机会和途径，政府如何进行舆情治理事关舆情的演变态势[37]。如果事件得到政府的关注或者政府部门在舆情传播的过程中起重要推动作用，对舆情的发酵也会产生一定的作用。主要原因在于，政府具有权威性、导向性和服务性，政府部门的表达也容易使公众跟随传播，进而加大扩散效应。
9. 权威发酵效应
舆情权威发酵效应是指在舆情事件中，当权威人士或机构发表对事件的评论和观点时，这些评论和观点往往易在公众中产生所谓“事件定性”的认知影响，从而成为影响舆情事件发展的关键性因素。有研究指出，媒介权威性尤其是“网络大V”等的表态极大地影响了舆情传播状况，进而对舆情影响力产生了影响[32]121-131。
在上述9类效应中，舆情规模效应和时间持续效应对其他效应的决定性作用十分突出，是其他效应衍生的基础依据。情感导向效应、传播层级效应与媒体平台带来的微博助力效应、融媒体扩散效应和短视频传播效应相互制约。而微博助力效应、融媒体扩散效应、短视频传播效应三者之间则呈现明显的主次关系和层递关系，尤其在内容生成方面，微博堪称“大本营”。政府推动效应和权威发酵效应反向影响其他效应的增强或减弱。各类效应部分或共同作用于舆论场，形成同频声量，推动舆情演化。
（二） 评价指标构建
根据上文的理论机制分析，笔者构建突发事件舆情影响力评价指标体系，如表4所示。
表 4 突发事件舆情影响力评价指标体系评价层级 效应类型 指标选择 影响力指数 舆情规模效应 相关报道总量/条 时间持续效应 持续时间/天 情感导向效应 正面信息占比/% 负面信息占比/% 传播层级效应 传播层级/层 微博助力效应 直接效应（原发占比/%） 间接效应（转发、转评、评论占比/%） 融媒体扩散效应 主要媒体传播（微博、微信、短视频、App、贴吧、论坛占比/%） 短视频传播效应 主要短视频（抖音、快手、新浪微博视频、今日头条占比/%） 政府推动效应 中央级媒体报道占比/% 权威发酵效应 中央级与省部级媒体报道占比之和/% （三） 研究方法与步骤
笔者采用多准则妥协解排优法（即VIKOR法）进行研究。该方法被广泛应用于综合评价分析[38-41]，可以对综合性评价对象进行排序。基本过程如下：首先，计算评价对象中的最优解和最差解；其次，比较各评价对象与最优解和最差解之间的距离大小以确定评价对象的排序，进而获得待评价对象的优劣级别。
1. 步骤1：数据标准化
为了避免数据量纲差异所带来的计算误差，首先需要对数据进行无量纲处理。
首先，建立原始评价矩阵。假设现有n个评价指标，存在m个待评价方案。原始矩阵A为
$$ {\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} {{a_{1{\text{1}}}}}&{{a_{12}}}&{{a_{13}}}& \cdots &{{a_{1n}}} \\ {{a_{21}}}&{{a_{22}}}&{{a_{23}}}& \cdots &{{a_{2n}}} \\ {{a_{31}}}&{a_{32}^{}}&{a_{33}^{}}& \cdots &{{a_{3n}}} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ {{a_{m1}}}&{{a_{m2}}}&{{a_{m3}}}& \cdots &{{a_{mn}}} \end{array}} \right] $$ (1) 式中：
${a_{{{i j}}}} $ 为第i个方案关于第j个指标的观察值。其中，i=1，2，…，m；j=1，2，…，n。其次，对原始矩阵A进行归一化处理。根据正向指标计算公式（即式（2））和负向指标计算公式（即式（3））对数据进行归一化处理，可以得到归一化矩阵Z=（
$z_{i j} $ ）mn（即式（4）和式（5））。公式为$$ {a_{{{i j}}}^+} = \frac{{ {{a_{i j}} - {a_{\min }}} }}{{ {{a_{\max }} - {a_{\min }}} }} $$ (2) $$ {a_{{{i j}}}^-} = \frac{{{{a_{{\text{max}}}} - a{}_{i j}}}}{{ {{a_{\max }} - {a_{\min }}} }} $$ (3) $$ {{{z}}_{{{i j}}}} = {a_{i j}}\Bigg/\sqrt {\sum\limits_{i = 1}^m {a_{i j}^2} } $$ (4) $$ {\boldsymbol{Z}} = \left[ {\begin{array}{*{20}{c}} {{{{z}}_{1{\text{1}}}}}&{{z_{12}}}&{{z_{13}}}& \cdots &{{z_{1n}}} \\ {{z_{21}}}&{{z_{22}}}&{{z_{23}}}& \cdots &{{z_{2n}}} \\ {{z_{31}}}&{z_{32}^{}}&{z_{33}^{}}& \cdots &{{z_{3n}}} \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ {{z_{m1}}}&{{z_{m2}}}&{{z_{m3}}}& \cdots &{{z_{mn}}} \end{array}} \right] $$ (5) 式中：
${a_{{{i j}}}} $ 为第i行第j归一化数值，其中，${a_{\max }} $ 和${a_{\min }} $ 分别为第j个指标的最大值和最小值。2. 步骤2：熵权法确定指标权重
熵权法是较为客观的确定指标权重的常用方法，基于上文数据归一化处理后的结果作如下处理。
首先，采用熵权法确定指标权重，公式为
$$ {P_{{{i j}}}} = \frac{{{Y_{i j}}}}{{\displaystyle\sum\limits_{i = 1}^m {{Y_{i j}}} }} $$ (6) 式中：
$ {P_{{{i j}}}} $ 为i地区第j项指标的权重值；${Y_{i j}} $ 为i地区第j项指标权重的观测值。其次，计算第j项指标的熵值
${{{e}}_j} $ ，公式为$$ {{{e}}_j} = - \frac{1}{{\ln {{m}}}} \sum\limits_{i = 1}^m {\left[ {{P_{i j}} \ln \;{P_{i j}}} \right]} $$ (7) 再次，计算第j项指标的信息效用值
${{{d}}_j} $ ，公式为$$ {{{d}}_j} = 1 - {e_j} $$ (8) 最后，给指标赋权，求得各个指标权重
${{{W}}_j} $ 。其中，j=1，2，…，n；n为指标数量。公式为$$ {W_{{j}}} = \frac{{{d_{{j}}}}}{{\displaystyle\sum\limits_{j = 1}^{{n}} {{d_j}} }} = \frac{{{{1 - }}{{{e}}_{{j}}}}}{{\displaystyle\sum\limits_{j = 1}^n {1 - {{{e}}_j}} }} $$ (9) 3. 步骤3：VIKOR法计算舆情影响力
首先，计算各个舆情事件的群体效用值Si和个体遗憾值Ri，公式为
$$ \begin{split} & {S_{{i}}} = \sum\limits_{j = 1}^n {\frac{{W_j\left( {{{\overline A}^ + } - {A_{i j}}} \right)}}{{{{\overline A}^ + } - {{\overline A}^ - }}}} \\ & {R_{{i}}} = \mathop {\max }\limits_j \left\{ {\sum\limits_{j = 1}^n {\frac{{W_j\left( {{{\overline A}^ + } - {A_{i j}}} \right)}}{{{{\overline A}^ + } - {{\overline A}^ - }}}} } \right\} \\ \end{split}$$ (10) 式中：
$ \overline{A}^{+} $ 为一组样本事件中的最大值；$ \overline{A}^{-} $ 为该组样本事件中的最小值。其次，依据各个事件的群体效用值Si和个体遗憾值Ri计算各个舆情事件的影响力评价值Qi，Qi的值越小表明舆情事件影响力越大，公式为
$$ {Q_{{i}}} = \lambda \frac{{{S_i} - {S^ - }}}{{{S^ + } - {S^ - }}} + (1 - \lambda )\frac{{{R_i} - {R^ - }}}{{{R^ + } - {R^ - }}} $$ (11) 式中：风险偏好系数取λ=[0,1]，参考已有文献，笔者取λ=0.5。
最后，根据Qi值的大小进行排序。
（四） 突发事件舆情影响力综合评价
根据上文计算，可得到突发事件影响力评价等级排序情况，如表5所示。
表 5 突发事件影响力评价等级排序编码 Si Ri Qi 等级
排序28 0.41 0.19 0.00 1 14 0.43 0.24 0.12 2 16 0.52 0.28 0.33 3 3 0.50 0.33 0.42 4 37 0.56 0.36 0.55 5 36 0.70 0.37 0.71 6 8 0.65 0.40 0.74 7 20 0.72 0.37 0.74 8 4 0.71 0.41 0.80 9 39 0.77 0.37 0.80 10 11 0.77 0.38 0.82 11 21 0.74 0.42 0.86 12 2 0.74 0.42 0.87 13 13 0.76 0.41 0.87 14 27 0.76 0.41 0.87 15 6 0.78 0.40 0.88 16 22 0.78 0.40 0.88 17 17 0.74 0.42 0.88 18 32 0.75 0.42 0.88 19 15 0.78 0.41 0.91 20 5 0.81 0.40 0.91 21 9 0.77 0.42 0.91 22 10 0.78 0.42 0.91 23 25 0.77 0.42 0.91 24 23 0.78 0.42 0.92 25 26 0.79 0.42 0.93 26 7 0.81 0.42 0.95 27 34 0.81 0.42 0.95 28 31 0.82 0.41 0.95 29 1 0.81 0.42 0.95 30 30 0.81 0.42 0.96 31 29 0.82 0.42 0.96 32 18 0.82 0.42 0.96 33 38 0.82 0.42 0.97 34 40 0.83 0.42 0.97 35 24 0.83 0.42 0.97 36 35 0.83 0.42 0.98 37 12 0.83 0.42 0.98 38 19 0.84 0.42 0.99 39 33 0.85 0.42 1.00 40 由表5可知，影响力最高的事件为军事安全类事件，即佩洛西窜访中国台湾地区事件，该事件影响力最高的主要原因在于其涉及国家安全、政治安全等主权原则问题，易激发人民群众的爱国情感并产生共鸣，故存在较高的影响力；排名第二的是自然安全类事件，如四川泸定6.8级地震，这在一定程度上说明了大型自然灾害类事件容易形成较高的舆情影响力；影响力排名前十且出现次数最高的是疫情安全类事件和疾病安全类事件，如高温天气引发多地确诊热射病事件，这也提醒政府部门要格外重视疫情类、卫生类突发事件的治理。因此，整体而言，自然安全类事件影响力总体相对较大，教育安全类事件影响力总体相对较小；对于公众安全类事件，受害群体广泛、情节严重的影响力度较大；消防安全类与交通安全类事件影响力具有一定的相似性。
五、 突发事件舆情影响力的主要驱动因素识别
（一） 研究方法与步骤
在使用VIKOR法对突发事件舆情影响力的驱动因素进行影响力评价基础上，笔者采用因子分析法，对这些驱动因素贡献度进行进一步探究。因子分析法经常用于对各领域影响因素的识别[42-44]。
首先，对表4中各舆情事件的指标数据进行标准化处理，其后进行Bartlett检验和KMO检验，以验证因子分析的适用性。其中，对于KMO值是否适合做因子分析，具体情况如下：0.9以上非常合适，[0.7～0.9)为适合，[0.6～0.7)为尚可，[0.5～0.6)为差，0.5以下应该放弃。对于Bartlett检验，若显著性p<0.05拒绝原假设，则说明可以做因子分析，若p≥0.05不拒绝原假设，则说明这些变量可能会独立提供一些信息，不适合做因子分析。
其次，运用主成分因子分析法筛选出影响突发事件舆情影响力变化的主成分因子，以特征值大于1作为选择标准，可以根据方差解释表进行判断。
最后，对因子结构进行最大方差正交旋转，得到旋转后的因子载荷矩阵。最终可以得到驱动突发事件舆情影响力的数学模型。
（二） 数据结果与分析
1. KMO检验和Bartlett检验
KMO检验和Bartlett检验结果，如表6所示。由表6可知，KMO检验的结果显示，KMO的值为0.606，同时，Bartlett检验的结果显示，p值且在1%水平上呈现显著性，拒绝原假设，由此说明，各变量之间具有相关性，因子分析有效，程度尚可，因此可进行因子分析。
表 6 KMO检验和Bartlett检验结果检验类型 检验结果 KMO检验 0.633 Bartlett检验 近似卡方 458.173 自由度（df） 55 显著性（p） 0.001*** 注：***代表1%的显著性水平。 2. 确定主成分因子个数
方差解释，如表7所示。由表7可知，在主成分5时，总方差解释的特征根低于1.0，根据特征根大于1的选择标准，由此可以确定主成分因子为4个。
表 7 方差解释主成分 特征根 方差解释率/% 累积方差解释率/% 1 3.750 31.248 31.248 2 2.046 17.048 48.297 3 1.684 14.036 62.332 4 1.424 11.870 74.202 5 0.793 6.612 80.814 6 0.693 5.772 86.586 7 0.572 4.763 91.349 8 0.386 3.216 94.565 9 0.320 2.663 97.228 10 0.216 1.803 99.031 11 0.116 0.969 100 12 0 0 100 3. 驱动因素提取
各主成分下因子贡献率汇总情况，如表8所示。由表8可知，从主成分1来看，微博间接效应与对突发事件影响力的贡献率最大且存在正相关关系。从主成分2来看，正面信息贡献率最大且与其存在明显的正相关关系。从主成分3来看，中央级与省部级媒体参与度之和均与其呈高度相关关系，故可认为该成分下，权威发酵效应起着重要正向推动作用。从主成分4来看，传播信息层级与其存在正相关关系且比值最大。综上可知，在诸多造成突发事件舆情传播的驱动力效应中的关键驱动因素有：微博传播间接效应、情感导向效应、权威发酵效应、传播层级效应。
表 8 各主成分下因子贡献率汇总表效应类型 主成分1 主成分2 主成分3 主成分4 舆情规模效应 0.120 0.205 −0.326 −0.043 时间持续效应 0.001 0.302 −0.102 0.181 情感导向效应 −0.048 0.436 0.043 0.089 −0.161 −0.337 0.080 −0.099 传播层级效应 0.099 0.003 0.029 0.679 微博助力效应 −0.279 0.006 −0.032 −0.173 0.279 −0.007 0.032 0.173 融媒体扩散效应 −0.008 0.004 −0.009 −0.006 短视频传播效应 0.046 0.233 −0.055 0.591 政府推动效应 0.009 −0.011 0.521 −0.006 权威发酵效应 0.023 0.010 0.570 −0.021 六、 研究结论与对策建议
（一） 突发事件总体传播态势研究结论和建议
从突发事件总体传播态势研究来看，此类事件多以负面舆情占据舆论传播场域；传播媒介多样化，传播时点多、线杂、面广，信息海量，且互动性、即时性、自主性传播特点突出；触及民生利益领域但不涉及敏感信息的相关公众安全类舆情，一般持续时间长，且传播范围广；当政府部门对相关舆情处理不当时，极易助推舆情高涨并呈现发酵态势；同类型舆情频发往往反映的是较深层次的社会问题，如处理不当容易诱发类似舆情再度爆发。
鉴于此，笔者提出如下建议：一是应加强海量信息的筛选甄别，去除无效信息和由“水军”产生的大量重复性信息，提取有价值的信息，防范负面导向型信息扩散；二是应及时识别舆情传播的意识形态风险性，遏制对意识形态安全产生负面影响的信息叠加其他问题传播，对明显污蔑、造谣和煽动对立的信息坚决予以删除和撤销；三是政府部门应增强担当意识，主动引导正确、积极、健康的舆论导向，对相关事件进行及时回应处理，并采取线下改进措施，努力促进公众对舆情的态度向积极健康的方面转变。
（二） 突发事件舆情影响力评价研究结论和建议
从突发事件舆情影响力评价来看，涉及国家安全、政治安全、主权问题等根本原则的军事安全类、国际安全类事件存在较高的舆情影响力；疫情安全类、公众安全类和大型自然安全类事件，由于受害群体广泛、情节较为严重，所以舆情影响力也往往较大；教育安全类事件的舆情影响力总体一般，消防安全类和交通安全类事件的舆情影响力则低于上述其他类型的事件。
鉴于此，笔者提出如下建议：一是应分类提炼不同类别突发事件的舆情传播规律，尤其注意在分析同种类型的突发事件舆情相似传播特点基础上的差异，有的放矢、去粗取精，在把握规律的基础上，结合实际，开展舆情走向分析和应对；二是应重视舆情背后的现实问题的解决，注重挖掘突发事件舆情不断发酵的背后种种社会问题的根源；三是应防止不同类型的舆情负面效应叠加社会问题，引发线上线下同频共振，逆向产生社会治理堵点瘀点，制约社会治理水平的提高。
（三） 突发事件舆情影响力关键驱动因素研究结论和建议
从突发事件舆情影响力关键驱动因素来看，在笔者提炼梳理的9类效应中，微博传播间接效应、情感导向效应、权威发酵效应、传播层级效应是突发事件影响力的关键驱动因素。
鉴于此，笔者提出如下建议：一是应综合考量不同驱动效应因素，不能完全依赖技术而摒弃专家经验判断，需要在大量客观数据的基础上对不同类型的突发事件的属性进行具体问题具体分析，凸显监督机制效能；二是应加强高技术舆情预警系统与人工研判监督机制相结合，改善现有舆情的治理监测技术与舆情的传播技术和发展水平所呈现的不协调不平衡状态；三是应加强既能开展智能化信息技术应用又有丰富研判经验的人才培育，提升舆情科学治理水平。
-
表 1 2022年1—9月40个典型突发事件报道总量情况统计
编码 舆情事件 类型 持续时间/天 报道总量/条 14 四川泸定6.8级地震 自然安全 5 10 206 320 28 佩洛西窜访中国台湾地区事件 军事安全 33 5 597 783 16 贵阳疫情 疫情安全 28 3 401 998 3 成都8月25日疫情 疫情安全 41 2 143 760 37 唐山一烧烤店内多名男子殴打女生事件 公众安全 31 1 476 617 36 高温天气引发多地确诊热射病事件 疾病安全 19 1 338 329 20 北碚山火事件 消防安全 12 1 205 829 39 上海金山砍人事件 公众安全 4 1 152 372 11 贵州客车高速侧翻事故 交通安全 3 1 058 753 5 知名艺考机构诱奸未成年人事件 教育安全 5 563 845 22 彭州安全事故 自然安全 5 543 159 6 长沙电信大楼起火事故 消防安全 4 466 248 8 贵阳花果园疫情 疫情安全 28 422 619 4 贵州毕节疫情 疫情安全 20 409 813 13 陕西某大学遭美国网络攻击事件 科技安全 12 327 480 27 唐山一男子驾车撞倒碾压女友事件 交通安全 3 294 221 31 22岁女孩连续熬夜加班猝死事件 公众安全 5 207 670 15 湖南女子酒驾撞人拖行事件 交通安全 6 187 319 21 青海洪灾 自然安全 14 170 962 32 四川沐川发生持枪伤人案件 公众安全 7 136 723 10 陕西回应卖20元芹菜被罚6万6千元事件 公众安全 8 99 619 26 宁德屏南万安桥突发大火事故 消防安全 4 69 692 40 空军歼−7飞机失事事故 军事安全 3 67 176 34 天津一小区爆炸事故 公众安全 3 55 603 38 兰州化工企业爆炸事故 公众安全 5 45 272 33 连云港出现龙卷风灾害 自然安全 4 42 475 24 小鹏汽车高架撞人致死事故 交通安全 5 37 008 29 冷水江女教师受害事件 教育安全 4 35 463 9 民警办案就餐不付钱事件 公众安全 7 32 381 12 安徽某中学训练致学生住院事件 教育安全 3 30 961 2 陕西初中女生遭多人殴打事件 教育安全 5 29 220 1 滨州职业技术学院宿舍刑事案件 教育安全 4 28 822 17 青海发生山体滑坡事件 自然安全 9 27 264 7 中国使馆通报柬埔寨沉船事故 国际安全 5 21 485 25 山东一幼儿园被曝使用生蛆淋巴肉事件 食品安全 9 18 339 23 宁波一地发生火灾致7人死亡事故 消防安全 6 14 495 30 河南舞阳交通事故 交通安全 3 13 871 19 河南某医院院长当街抽打女子事件 公众安全 3 13 316 35 中国公民在南非遭绑架后不幸罹难案件 国际安全 4 10 838 18 5岁女童遭狗咬毁容事件 公众安全 8 10 554 
下载: 导出CSV
表 2 2022年1—9月40个典型突发事件报道量前10位与后5位的重要媒介传播占比情况统计
编码 微博占比/% 网媒占比/% 短视频占比/% 微信占比/% App占比/% 论坛占比/% 贴吧占比/% 总占比/% 14 77.95 5.01 9.87 2.30 2.85 1.80 0.05 99.83 28 64.19 14.12 7.74 4.42 6.40 1.49 0.05 98.41 16 26.98 9.44 48.17 7.34 5.45 2.19 0.06 99.63 3 38.82 12.11 36.28 4.39 5.39 0.39 0.13 97.51 37 62.86 7.99 8.14 6.47 5.94 0.64 0.10 92.14 36 44.58 11.85 18.03 11.37 6.24 0.52 0.38 92.97 20 71.22 4.72 18.02 2.07 2.93 0.20 0.01 99.17 39 99.37 0.12 0.18 0.10 0.05 0.04 0.03 99.89 11 86.32 1.95 9.41 1.16 1.03 0.07 0.03 99.97 5 95.33 1.57 1.00 1.14 0.88 0.05 0.01 99.98 23 20.08 23.56 7.66 36.18 11.21 0.90 0.06 99.65 30 39.11 19.84 15.38 11.94 11.13 0.69 0.12 98.21 19 53.06 8.27 23.23 5.37 5.06 4.66 0.05 99.70 35 58.89 18.42 5.22 8.47 7.86 0.78 0.06 99.70 18 70.68 10.89 7.28 4.63 5.06 1.14 0.05 99.73 注：数据来源为舆情秘书、清博舆情、道丁短视频三者的数据汇总。表3同。
下载: 导出CSV
表 3 2022年1—9月40个典型突发事件报道量前10位与后5位的微博传播类型情况统计
编码 微博转发
占比/%微博转评
占比/%微博评论
占比/%微博转发、转评、
评论总占比/%微博原发
占比/%14 25.21 67.06 0.32 92.59 7.41 28 41.41 31.05 1.07 73.53 26.47 16 44.08 34.98 1.02 80.08 19.92 3 25.47 32.76 1.23 59.46 40.54 37 57.14 25.67 1.73 84.54 15.46 36 38.49 35.85 1.05 75.39 24.61 20 40.61 54.38 0.19 95.18 4.82 39 35.17 31.43 0.35 66.95 33.05 11 47.26 41.90 0.05 89.21 10.79 5 55.56 38.91 0.24 94.71 5.29 23 28.48 17.08 1.67 47.23 52.77 30 33.72 18.93 1.21 53.86 46.14 19 28.49 40.81 0.81 70.11 29.89 35 41.07 21.82 0.52 63.41 36.59 18 37.33 26.30 1.38 65.01 34.99
下载: 导出CSV
表 4 突发事件舆情影响力评价指标体系
评价层级 效应类型 指标选择 影响力指数 舆情规模效应 相关报道总量/条 时间持续效应 持续时间/天 情感导向效应 正面信息占比/% 负面信息占比/% 传播层级效应 传播层级/层 微博助力效应 直接效应（原发占比/%） 间接效应（转发、转评、评论占比/%） 融媒体扩散效应 主要媒体传播（微博、微信、短视频、App、贴吧、论坛占比/%） 短视频传播效应 主要短视频（抖音、快手、新浪微博视频、今日头条占比/%） 政府推动效应 中央级媒体报道占比/% 权威发酵效应 中央级与省部级媒体报道占比之和/%
下载: 导出CSV
表 5 突发事件影响力评价等级排序
编码 Si Ri Qi 等级
排序28 0.41 0.19 0.00 1 14 0.43 0.24 0.12 2 16 0.52 0.28 0.33 3 3 0.50 0.33 0.42 4 37 0.56 0.36 0.55 5 36 0.70 0.37 0.71 6 8 0.65 0.40 0.74 7 20 0.72 0.37 0.74 8 4 0.71 0.41 0.80 9 39 0.77 0.37 0.80 10 11 0.77 0.38 0.82 11 21 0.74 0.42 0.86 12 2 0.74 0.42 0.87 13 13 0.76 0.41 0.87 14 27 0.76 0.41 0.87 15 6 0.78 0.40 0.88 16 22 0.78 0.40 0.88 17 17 0.74 0.42 0.88 18 32 0.75 0.42 0.88 19 15 0.78 0.41 0.91 20 5 0.81 0.40 0.91 21 9 0.77 0.42 0.91 22 10 0.78 0.42 0.91 23 25 0.77 0.42 0.91 24 23 0.78 0.42 0.92 25 26 0.79 0.42 0.93 26 7 0.81 0.42 0.95 27 34 0.81 0.42 0.95 28 31 0.82 0.41 0.95 29 1 0.81 0.42 0.95 30 30 0.81 0.42 0.96 31 29 0.82 0.42 0.96 32 18 0.82 0.42 0.96 33 38 0.82 0.42 0.97 34 40 0.83 0.42 0.97 35 24 0.83 0.42 0.97 36 35 0.83 0.42 0.98 37 12 0.83 0.42 0.98 38 19 0.84 0.42 0.99 39 33 0.85 0.42 1.00 40
下载: 导出CSV
表 6 KMO检验和Bartlett检验结果
检验类型 检验结果 KMO检验 0.633 Bartlett检验 近似卡方 458.173 自由度（df） 55 显著性（p） 0.001*** 注：***代表1%的显著性水平。
下载: 导出CSV
表 7 方差解释
主成分 特征根 方差解释率/% 累积方差解释率/% 1 3.750 31.248 31.248 2 2.046 17.048 48.297 3 1.684 14.036 62.332 4 1.424 11.870 74.202 5 0.793 6.612 80.814 6 0.693 5.772 86.586 7 0.572 4.763 91.349 8 0.386 3.216 94.565 9 0.320 2.663 97.228 10 0.216 1.803 99.031 11 0.116 0.969 100 12 0 0 100
下载: 导出CSV
表 8 各主成分下因子贡献率汇总表
效应类型 主成分1 主成分2 主成分3 主成分4 舆情规模效应 0.120 0.205 −0.326 −0.043 时间持续效应 0.001 0.302 −0.102 0.181 情感导向效应 −0.048 0.436 0.043 0.089 −0.161 −0.337 0.080 −0.099 传播层级效应 0.099 0.003 0.029 0.679 微博助力效应 −0.279 0.006 −0.032 −0.173 0.279 −0.007 0.032 0.173 融媒体扩散效应 −0.008 0.004 −0.009 −0.006 短视频传播效应 0.046 0.233 −0.055 0.591 政府推动效应 0.009 −0.011 0.521 −0.006 权威发酵效应 0.023 0.010 0.570 −0.021
下载: 导出CSV
-
[1] 金正昆, 郎简阁. 论突发事件对国家形象维护的影响——以汶川地震为例[J]. 观察与思考,2018(6): 73—82. [2] 严锴, 李红霞. 公共安全视域下的舆情热点及发展趋势可视化分析[J]. 西安科技大学学报,2019,39(6): 1082—1089. [3] 张桂蓉, 雷雨, 吴超, 等. 安全信息学视域下安全舆情演化及引导策略研究[J]. 中国安全生产科学技术,2021,17(6): 161—166. [4] 王平, 谢耘耕. 突发公共事件网络舆情的形成及演变机制研究[J]. 现代传播(中国传媒大学学报),2013,35(3): 63—69. [5] 马莹雪, 赵吉昌. 自然灾害期间微博平台的舆情特征及演变——以台风和暴雨数据为例[J]. 数据分析与知识发现,2021,5(6): 66—79. [6] 曹树金, 岳文玉. 突发公共卫生事件微博舆情主题挖掘与演化分析[J]. 信息资源管理学报,2020,10(6): 28—37. [7] 安璐, 吴林. 融合主题与情感特征的突发事件微博舆情演化分析[J]. 图书情报工作,2017,61(15): 120—129. [8] 曾子明, 万品玉. 融合演化特征的突发事件微博情感分析[J]. 情报科学,2018,36(12): 3—8, 51. [9] 杨娟娟, 杨兰蓉, 曾润喜, 等. 公共安全事件中政务微博网络舆情传播规律研究——基于“上海发布”的实证[J]. 情报杂志,2013,32(9): 11—15, 28. [10] 袁媛. 面向公共安全风险防控的疫情网络舆情预警研究——以刚果埃博拉病毒为例[J]. 情报科学,2022,40(1): 44—50. [11] 王晰巍, 王小天, 李玥琪. 重大突发事件网络舆情UGC的事理图谱构建研究——以自然灾害7 • 20河南暴雨为例[J]. 图书情报工作, 2022, 66(16): 13—23. [12] 朱恒民, 钱莉, 杨欣谊, 等. 网络舆情话题漂移路径研究[J]. 情报杂志,2022,41(6): 108—113, 119. [13] 李翠敏. 公共安全危机事件网络舆情的协同疏解研究——以“长生疫苗事件”为例[J]. 情报杂志,2018,37(11): 110—115, 102. [14] 张武桥, 黄永林. 个人极端暴力事件的网络舆情传播研究——以“成都女司机变道被暴打”事件为例[J]. 情报杂志,2015,34(10): 85—90, 27. [15] 胡吉明, 杨泽贤. 突发公共事件网络舆情热度关键影响因素识别研究[J]. 情报杂志,2022,41(5): 112—117, 182. [16] 魏宇航, 田园. 高校突发事件网络舆情传播影响因素研究[J]. 情报科学,2021,39(12): 53—59. [17] 赵飞, 廖永丰. 突发自然灾害事件网络舆情传播特征及影响因素研究[J]. 地球信息科学学报,2021,23(6): 992—1001. [18] 申金霞, 万旭婷, 程南昌. 教育舆情研判的影响因素及对策分析[J]. 中国高等教育,2020(2): 43—45. [19] 廖海涵, 王曰芬. 社交媒体舆情信息传播效果影响因素研究——以新浪微博“8.12天津爆炸”事件为例[J]. 现代图书情报技术,2016(12): 85—93. [20] 洪巍, 史敏, 洪小娟, 等. 食品安全网络舆情中网民微博转发行为影响因素研究——以上海福喜事件为例[J]. 中国人口 • 资源与环境,2016,26(5): 167—176. [21] 寇鸿顺, 马洪伟. 民族问题舆情的特点及影响因素探析[J]. 青海社会科学,2015(1): 70—75. [22] 邓建高, 段欣迪. 面向国家公共安全的信息行为线上−线下融合治理模式初探——评《突发性公共危机事件与网络舆情作用机制研究》[J]. 图书情报工作,2018,62(15): 145—148. [23] HUANG X, JIN H D, ZHANG Y. Risk assessment of earthquake network public opinion based on global search BP neural network [J]. Plos One,2019,14(3): e0212839.
[24] LI S Y, LIU Z X, LI Y L. Temporal and spatial evolution of online public sentiment on emergencies [J]. Information Processing & Management,2022,57(2): 102177.
[25] 戴建华, 韩孟昊. 考虑信息茧房现象的网络舆情演化研究[J]. 情报理论与实践,2023,46(6): 111—117. [26] 高卫国, 蔡永丽. 高校网络舆情传播模型稳定性研究[J]. 信阳师范学院学报(自然科学版),2023,36(2): 213—219. [27] 张亚明, 高祎晴, 宋雯婕, 等. 信息生态视域下网络舆情反转生成机理研究——基于40个案例的模糊集定性比较分析[J]. 情报科学,2023,41(3): 66—73. [28] 覃玉冰, 邓春林, 杨柳. 基于皮尔逊相关系数的网络舆情评估指标体系构建研究[J]. 情报探索,2018(10): 15—19. [29] 张亚明, 苏妍嫄, 赵桂茹, 等. 双重情绪交叉感染下重大疫情网络舆情传播研究[J/OL]. 系统仿真学报, 2023(2023−02−08)[2023−05−25]. [30] 李晓静. 突发公共卫生事件的信息来源、媒介信任与防控研究——以新冠肺炎疫情为例[J]. 图书与情报,2020(2): 19—24. [31] 周高琴. 突发事件中恐慌性谣言的网络情绪传播及其应对之道[J]. 领导科学,2022(11): 122—125. [32] 陆泉, 岳雪琪, 刘婷, 等. 基于多维特征的网络健康信息可信度评估研究[J]. 信息资源管理学报,2021,11(3): 121—131. [33] 王筱莉, 张静, 赵来军, 等. 基于改进SEIR模型的微博舆情衍生话题传播研究[J]. 信息资源管理学报,2022,12(4): 95—104, 120. [34] 严克勤. 加强媒体融合发展提高舆论引导能力——无锡广电的探索与实践[J]. 中国广播电视学刊,2016(8): 30—32. [35] 汤天甜, 周经伦. 作为舆论的短视频:影像表达、功能属性与风险争议[J]. 福建师范大学学报(哲学社会科学版), 2023(1): 111—120. [36] 李明. 多主体协同视域下短视频网络舆情导控机理及因果机制研究[J]. 现代情报,2023,43(1): 131—140. [37] 赵会分, 石翠仙. 地方政府怎样用好网络舆情这把双刃剑[J]. 人民论坛,2017(13): 48—49. [38] 王磊, 姚星娜. 基于一类新的Picture模糊距离的VIKOR多属性决策方法[J]. 运筹与管理,2022,31(5): 49—54. [39] 尹梦梦, 王磊, 姚昌华, 等. 基于VIKOR模型的复杂网络节点重要度评估[J]. 信息网络安全,2022,22(1): 87—94. [40] 潘晓, 段鑫星. 基于LDA及模糊VIKOR法的中小企业情报收集系统模型构建[J]. 情报科学,2021,39(7): 131—135, 161. [41] 林萍萍, 李登峰, 江彬倩, 等. 属性关联的双极容度多属性决策VIKOR方法[J]. 系统工程理论与实践,2021,41(8): 2147—2156. [42] 王丽君, 鲁志鸿, 郭栋, 等. 基于因子分析法山东省城乡居民中医药服务满意度现状及其影响因素分析[J]. 中国公共卫生,2020,36(2): 232—235. [43] 俞立平. 基于因子降维变权的特色期刊激励评价方法[J]. 情报杂志,2022,41(9): 192—198. [44] 赫玉芳, 宁春雪, 姚佩欣, 等. 基于因子分析法的吉林省医学生就业压力影响因素分析[J]. 医学与社会,2021,34(4): 27—31. -
期刊类型引用(3)
1. 李明，曹济舟. 县级融媒体参与乡村治理的效果评价体系研究. 新闻与传播研究. 2025(03): 73-86+127 . 
百度学术
2. 郭瑛. 融媒体时代突发事件现场报道的对策. 新闻传播. 2024(07): 90-92 . 百度学术
3. 王秋菲，曹梦涵. 网络舆情对酱油上市企业股票价格的冲击研究——基于海天味业双标事件. 财会研究. 2024(12): 58-68 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 7
